新手必备！Python 中最常用的时间序列预测库 Statsmodels

最新推荐文章于 2025-02-21 16:55:50 发布

coder_风逝

最新推荐文章于 2025-02-21 16:55:50 发布

阅读量395

点赞数 6

分类专栏： Python数据挖掘分析文章标签： python 开发语言

本文链接：https://blog.youkuaiyun.com/fengshi_fengshi/article/details/144043973

版权

Python数据挖掘分析专栏收录该内容

68 篇文章

订阅专栏

statsmodels 是一个强大的 Python 库，专注于统计建模和计量经济学，其中时间序列分析是其重要组成部分。时间序列预测涉及到对随时间变化的数值数据进行建模，以便预测未来的值。statsmodels 提供了一系列工具和模型，使得时间序列分析变得更加简单和高效。

今年，我们团队使用 statsmodels 开发时间序列预测的项目，感慨 statsmodels 功能非常强大，提供非常多常见的经典的时间序列预测算法。所以在这篇文章，我们专门介绍 statsmodels 库在时间序列预测上面的使用！

一、分类介绍

基于数据特性和应用场景，我们将 statsmodels 库中的时间序列方法进行分类，包括以下几类：

1、平稳时间序列预测

使用 AR、MA、ARIMA 等模型，适用于无明显趋势或季节性的时间序列。

2、非平稳时间序列预测

使用 ARIMA、SARIMA 等模型，适用于存在趋势或季节性的时间序列。

3、季节性时间序列预测

使用 SARIMA、Holt-Winters 等模型，适用于具有季节性波动的时间序列。

4、金融时间序列预测

使用 ARCH、GARCH 等模型，适用于波动性较大的金融数据。

5、多变量时间序列预测

使用状态空间模型、VAR（向量自回归）等，适用于多个时间序列之间存在相互影响的情况。

二、使用示例

下面是一个使用 statsmodels 进行时间序列预测的简单示例，演示如何使用 ARIMA 模型进行预测。以下代码都有详细的注释介绍，我们就不再重复赘述！如果有疑义的童鞋，欢迎在留言区留言！

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

# 创建示例时间序列数据
np.random.seed(0)
n = 100
time = np.arange(n)
data = 0.5 * time + np.random.normal(size=n)  # 线性趋势 + 噪声
ts_data = pd.Series(data, index=pd.date_range(start='2020-01-01', periods=n))

# 拟合 ARIMA 模型
model = sm.tsa.ARIMA(ts_data, order=(30, 3, 1))  # ARIMA(p,d,q) 参数
results = model.fit()

# 进行预测
forecast = results.get_forecast(steps=10)
forecast_values = forecast.predicted_mean

# 创建预测时间索引
forecast_index = pd.date_range(start=ts_data.index[-1] + pd.Timedelta(days=1), periods=10)

# 可视化结果
plt.figure(figsize=(12, 6))
plt.plot(ts_data, label='历史数据', color='blue')
plt.plot(forecast_index, forecast_values, label='预测值', color='red')
plt.title('时间序列预测（ARIMA）')
plt.xlabel('时间')
plt.ylabel('数值')
plt.legend()
plt.grid()
plt.show()

代码运行后，输出时间序列预测趋势图如下所示