Auto-ARIMA实战

最新推荐文章于 2024-10-08 08:06:47 发布

爱踢球的猕猴桃

最新推荐文章于 2024-10-08 08:06:47 发布

阅读量2.3k

点赞数 1

分类专栏：时间序列预测文章标签： python 时序数据库

本文链接：https://blog.youkuaiyun.com/m0_63168931/article/details/124520056

版权

Auto-ARIMA是为了解决ARIMA模型参数调整繁琐问题而提出的，它通过自动搜索找到最佳参数。尽管预测精度可能低于手动调参，但因其便捷性仍具有实用性。在使用时，需要注意数据类型、参数范围设定，如max_p、start_p、seasonal等，以及信息准则如'AIC'或'BIC'。代码和结果展示部分详细说明了模型应用过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

传统机器学习ARIMA模型是一种随机时序分析，其实质是差分运算和ARMA模型的组合，但由于ARIMA模型需要调整的参数比较多且网格寻优速度比较慢，所以Auto-ARIMA应运而生。由于Auto-ARIMA只需自定义参数范围并自己寻找最佳参数。所以其实是比较容易实现的。但是它的预测精度其实是不如用ARIMA手动寻找的精度高的，但是由于其方便快捷，其实还是有一定的可用性。

废话不多说直接上代码

1.代码

model = pm.auto_arima(x_train["y"], start_p=1, start_q=1,
                      test='adf',       # use adftest to find optimal 'd'
                      max_p=int(len(y)/10), max_q=int(len(y)/10), # 一般都是取这个范围直接套用
                      m=1,              # frequency of series
                      d=None,           # let model determine 'd'
                      seasonal=True,   # No Seasonality
                      start_P=0, 
                      D=0, 
                      trace=True,
                      error_action='ignore',