利用时间序列ARMA模型和LSTM算法分析并预测pm2.5值

数据来源于 UC Irvine Machine Learning Repository网站中的Beijing PM2.5 Data Data Set，数据文件类型为CSV。

一、利用ARMA模型

数据平稳性分析

还是以天为单位分析这五年之内的pm2.5值，并绘制曲线

ARIMA 模型对时间序列的要求是平稳型，观察图标能看出其没有固定的上升或下降的趋势，粗略判断是平稳序列。不进行差分操作，同时使用ADF单位根平稳型检验，对序列进行平稳性检验。

from statsmodels.tsa.stattools import adfuller as ADF
ADF(test)
#返回值依次为adf、pvalue、usedlag、nobs、critical values、icbest、regresults、resstore

得到结果如下：

(-18.23039005254537, 2.3680392326349674e-30, 2, 1568, 

{'1%': -3.434527319939446,  '10%': -2.56775226495796,  '5%': -2.863385036059078}, 17309.834345756433)

• 1%、%5、%10不同程度拒绝原假设的统计值和ADF Test result的比较，ADF Test result同时小于1%、5%、10%即说明非常好地拒绝该假设.本数据中，adf结果为-18.23