利用时间序列ARMA模型和LSTM算法分析并预测pm2.5值

本文介绍了使用ARMA模型和LSTM算法对PM2.5数据进行时间序列分析和预测。通过对数据的平稳性检验、模型选择、残差分析,确定了ARMA(0,3)模型,并预测了未来几天的PM2.5值。同时,应用LSTM网络进行训练,得到了与ARMA模型相当的预测效果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值