ARIMA python

ARIMA（自回归积分移动平均模型）是一种用于时间序列预测的统计模型。在 Python 中，可以使用 statsmodels 模块来实现 ARIMA 模型。以下是一个简单的 ARIMA 实现示例：

首先，安装 statsmodels 模块：

pip install statsmodels

然后，导入必要的库：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm

接下来，我们将使用一个示例数据集来演示如何使用 ARIMA 进行时间序列预测。我们将使用该数据集的前 100 个数据点来训练 ARIMA 模型，并使用后 50 个数据点进行测试。

# 读取数据集
df = pd.read_csv('data.csv')

# 将时间序列转换为日期索引
df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)

# 只使用前 100 个数据点进行训练
train_data = df[:100]

# 使用后 50 个数据点进行测试
test_data = df[100:]

接下来，我们将使用 auto_arima 函数来自动选择最佳的 ARIMA 模型。

# 自动选择最佳的 ARIMA 模型
model = sm.tsa.arima_auto_arma(train_data, start_p=0, start_q=0, max_p=5, max_q=5, d=None, seasonal=False, stepwise=True, suppress_warnings=True, error_action='ignore', trace=True)

# 打印模型摘要
print(model.summary())

最后，我们可以使用训练好的模型来进行预测，并将结果与测试数据进行比较。

# 使用模型进行预测
predictions = model.predict(n_periods=len(test_data))

# 将预测结果转换为 DataFrame
predictions = pd.DataFrame(predictions, index=test_data.index, columns=['prediction'])

# 绘制预测结果和实际数据
plt.plot(train_data, label='Training Data')
plt.plot(test_data, label='Testing Data')
plt.plot(predictions, label='Predictions')
plt.legend(loc='upper left')
plt.show()

这就是一个简单的 ARIMA 模型实现示例。请注意，ARIMA 模型的训练和调整可能需要一些时间和精力。