Python：传统ARIMA及SARIMAX实现

传统ARIMA步骤：

加载数据：模型建立的第一步当然是加载数据集。

预处理：取决于数据集，预处理的步骤将被定义。这将包括创建时间戳、转换日期/时间列的dType、制作系列单变量等。

使系列平稳：为了满足假设，有必要使系列平稳。这将包括检查序列的平稳性和执行所需的变换。

确定值：为了使序列平稳，将执行差值操作的次数作为d值

创建ACF和PACF图：这是ARIMA实施中最重要的一步。ACF PACF图用于确定我们的ARIMA模型的输入参数。

确定p和q值：从前一步的图中读取p和q的值

拟合ARIMA模型：使用处理后的数据和我们先前步骤计算的参数值，拟合ARIMA模型

预测集上的预测值：预测未来价值

计算MSE或者RMSE：为了检查模型的性能，使用验证集上的预测和实际值检查MSE或者RMSE值

在实现的过程使用SARIMAX实现，这是一个包含季节趋势因素的ARIMA模型。

 

下面直接上代码：

data：直接采用  facebook 的prophet时序算法中examples的数据，可以在git上下载。

begin：

# Load data
df = pd.read_csv('data/example_air_passengers.csv')
df.ds = pd.to_datetime(df.ds)
df.index = df.ds
df.drop(['ds'], axis