Python pmdarima库：时间序列预测

最新推荐文章于 2025-02-07 16:33:02 发布

原创

最新推荐文章于 2025-02-07 16:33:02 发布 · 1.3k 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#python #开发语言

更多Python学习内容：ipengtao.com

pmdarima是一个用于时间序列预测的Python库，它提供了一种自动化的方法来构建ARIMA模型。pmdarima简化了模型选择和调参过程，能够自动确定最佳的ARIMA参数，并进行模型评估和预测。本文将详细介绍pmdarima库的安装、主要功能、基本操作、高级功能及其实践应用，并提供丰富的示例代码。

安装

pmdarima可以通过pip进行安装。确保Python环境已激活，然后在终端或命令提示符中运行以下命令：

pip install pmdarima

主要功能

自动ARIMA：自动选择最佳的ARIMA模型参数。
模型评估：提供模型评估和诊断工具。
模型预测：支持多步预测和动态预测。
季节性调整：支持季节性时间序列建模。
并行处理：支持并行搜索最佳模型参数。

基本操作

导入库和加载数据

首先，需要导入必要的库并加载时间序列数据。

以下示例使用pandas库加载时间序列数据：

import pandas as pd
import pmdarima as pm
import matplotlib.pyplot as plt

# 加载示例数据
data = pd.read_csv('airline_passengers.csv', index_col='Month', parse_dates=True)
data.plot()
plt.show()

自动ARIMA建模

pmdarima的核心功能是自动选择最佳的ARIMA模型参数。

以下示例展示了如何使用auto_arima函数进行自动建模：

# 自动ARIMA建模
model = pm.auto_arima(data, seasonal=True, m=12, stepwise=True, suppress_warnings=True)
print(model.summary())

进行预测

使用训练好的ARIMA模型，可以进行未来值的预测。

以下示例展示了如何进行多步预测：

# 进行未来24个月的预测
n_periods = 24
forecast, conf_int = model.predict(n_periods=n_periods, return_conf_int=True)

# 创建时间序列索引
index_of_fc = pd.date_range(data.index[-1], periods=n_periods+1, freq='MS')[1:]

# 创建预测结果数据框
forecast_series = pd.Series(forecast, index=index_of_fc)
lower_series = pd.Series(conf_int[:, 0], index=index_of_fc)
upper_series = pd.Series(conf_int[:, 1], index=index_of_fc)

# 绘制预测结果
plt.figure(figsize=(10, 5))
plt.plot(data, label='实际值')
plt.plot(forecast_series, label