原文链接：http://tecdat.cn/?p=27363
本文在相对简单的数据集上探索不同的时间序列技术。
相关视频
给定 5 年的商店商品销售数据（查看文末了解数据获取方式），并要求您预测 10 家不同商店的 50 种不同商品在 3 个月内的销售额。
处理季节性的最佳方法是什么？商店应该单独建模，还是可以将它们合并在一起？
商店项目需求预测
自回归综合移动平均线 (ARIMA)
这 ARIMA 模型是可应用于非平稳时间序列的 ARMA 模型的推广。
import timeimport pandas as pd %matplotlib inline
加载数据
所有商店似乎都显示出相同的趋势和季节性。
点击标题查阅往期内容
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
01
02
03
04
ARIMAX
带解释变量的自回归综合移动平均线 (ARIMAX) 是 ARIMA 的扩展版本，其中包括独立的预测变量。
准备数据
mnths = df_rinindx.nth df_ran.drpna(iplac=True) d_trin.head()
import datetimedumymns = pd.get_dummies(moth) prev\_uate\_dates = d\_tet\_x.index - datie.timedelta(das=91) dfetex.head()
构建模型
si1 = d\_rin.loc\[(d\_tin\['store'\] == 1) & (_tran\['ie'\] == 1), 'ses'\] exog\_s1i1 = df\_train.loc\[(df\_train\['store'\] == 1) & (df\_train\['item'\] == ax = SARIMAX(si1.loc\['2013-12-31':\], exog=exog nfoceinvetiblity=alse,enforce_ationarity=False,
作出预测
nog = df\_rai.loc\[(ftrin\['str'\] == s) & (df\_rin\['te'\] == i), 'als'\] SARIMAX(endog=edog exog=xo, enorce\_invtiilit=False, eorce\_statnarityFalse, freq='D', order=(7,0,0)).fit() tc = time.time()
示例预测
xg = f\_rin.loc\[(df\_rin\[ste'\] == 10) & (d_tri\['itm'\] == 50)\].drop(\['', 'ite', 'sas'\], axis=1) forast = arax.predict
