Python用ARIMA和SARIMA模型预测销量时间序列数据

简介: Python用ARIMA和SARIMA模型预测销量时间序列数据

介绍

ARIMA模型是时间序列预测中一种常用的统计方法。指数平滑和ARIMA模型是时间序列预测中应用最为广泛的两种方法,它们是解决这一问题的补充方法。指数平滑模型是基于对数据趋势和季节性的描述,而ARIMA模型则是为了描述数据的自相关性。

在讨论ARIMA模型之前,我们先来讨论平稳性的概念和时间序列的差分技术。

平稳性

平稳时间序列数据的性质不依赖于时间,这就是为什么具有趋势或季节性的时间序列不是平稳的。趋势和季节性会在不同的时间影响时间序列的值,另一方面,对于平稳性,当你观察它时并不重要,它在任何时间点看起来都应该是相同的。一般来说,一个平稳的时间序列在长期内没有可预测的模式。

ARIMA是自回归综合移动平均线的缩写。它是一类在时间序列数据中捕获一组不同标准时间结构的模型。

在本教程中,我们将讨论如何用Python开发时间序列预测的ARIMA模型。

ARIMA模型是一类用于分析和预测时间序列数据的统计模型。它在使用上确实简化了,但是这个模型确实很强大。

ARIMA代表自回归综合移动平均。

ARIMA模型的参数定义如下:

p:模型中包含的滞后观测数,也称为滞后阶数。

d:原始观测值的差异次数,也称为差分阶数。

q:移动平均线窗口的大小,也叫移动平均阶数。

建立一个包含指定数量和类型的项的线性回归模型,并通过差分程度来准备数据,使其平稳,即去除对回归模型产生负面影响的趋势和季节结构。

步骤

1可视化时间序列数据

2确定时间序列是否平稳

3绘制相关图和自相关图

4根据数据建立ARIMA模型或季节ARIMA模型

在本教程中,我正在使用下面的数据集。

df.head()
#更新表头
df.columns=["月份","销量"]
df.head()
df.plot()

如果我们看到上面的图表,那么我们将能够找到一个趋势,即有一段时间销售很高,反之亦然。这意味着我们可以看到数据是遵循季节性的。对于ARIMA,我们首先要做的是确定数据是平稳的还是非平稳的。如果数据是非平稳的,我们会尽量使它们平稳,然后我们会进一步处理。

让我们检查给定的数据集是否是平稳的,为此我们使用adfuller检验 。

我通过运行上述代码导入了检验函数。

为了确定数据的性质,我们将使用零假设。

H0:零假设:这是一个关于总体的陈述,要么被认为是正确的,要么被用来提出一个论点。

H1:备选假设:与H0相矛盾,当我们拒绝H0时,我们得出的结论。

Ho:它是非平稳的

H1:它是平稳的

我们将考虑数据不平稳的零假设和数据平稳的备择假设。

adfuller_test(df['销量'])


运行上述代码后,我们将得到P值,

ADF Test Statistic : -1.833
p-value : 0.363915
#Lags Used : 11
Number of Observations : 93


这里P值是0.36,大于0.05,这意味着数据接受了零假设,这意味着数据是非平稳的。

我们来看看一阶差分和季节性差分:

df['Sales First Difference'] = df['销量'] - df['销量'].shift(1)


# 再次测试数据是否平稳
adfuller_test(df['Seasonal First Difference'].dropna())


ADF Test Statistic : -7.626619157213163
p-value : 2.060579696813685e-11
#Lags Used : 0
Number of Observations : 92


这里p值是2.06,表示拒绝零假设。所以数据是平稳的。

自相关系数:

autocorrelation_plot(df['销量'])
plt.show()


plot_acf(df['季节性一阶差分'].dropna(),lags=40,ax=ax1)


建立ARIMA模型

#对于非季节性数据
#p=1, d=1, q=0 or 1
model=ARIMA(df['销量'],order=(1,1,1))


predict(start=90,end=103,dynamic=True)


=

SARIMA模型

然后建立SARIMA模型

plot(figsize=(12,8))



可以看到拟合效果要优于ARIMA模型。

然后我们用SARIMA模型对未来进行预测。

future_df['预测'] = results.predict(start = 104, end = 120, dynamic= True)
future_df.plot(figsize=(12, 8))



结论

时间序列预测是非常有用的,有很多其他模型可以做时间序列预测,但ARIMA是很容易理解的。


相关文章
|
21小时前
|
数据采集 Web App开发 数据处理
一步步教你用Python Selenium抓取动态网页任意行数据
使用Python Selenium爬取动态网页,结合代理IP提升抓取效率。安装Selenium,配置代理(如亿牛云),设置User-Agent和Cookies以模拟用户行为。示例代码展示如何使用XPath提取表格数据,处理异常,并通过隐式等待确保页面加载完成。代理、模拟浏览器行为和正确配置增强爬虫性能和成功率。
一步步教你用Python Selenium抓取动态网页任意行数据
|
1天前
|
Python
Python+Jinja2实现接口数据批量生成工具
在做接口测试的时候,我们经常会遇到一种情况就是要对接口的参数进行各种可能的校验,手动修改很麻烦,尤其是那些接口参数有几十个甚至更多的,有没有一种方法可以批量的对指定参数做生成处理呢。
10 3
|
1天前
|
Python
在Python中,`range()`函数生成一个整数序列,用于循环迭代。
【6月更文挑战第19天】`Python`的`range()`函数生成整数序列,用于迭代。它接受`start`(默认0)、`stop`(不包含,右开)和`step`(默认1)参数。在`for`循环中,`range(5)`会输出0到4。若要包含结束值,需将`stop`设为`end+1`,如`range(1, 6)`将输出1到5。
8 1
|
1天前
|
存储 JSON JavaScript
【chat-gpt问答记录】python将数据存为json格式和yaml格式
【chat-gpt问答记录】python将数据存为json格式和yaml格式
13 1
|
1天前
|
Python
【代码】Python实现Excel数据合并
【代码】Python实现Excel数据合并
7 0
|
10月前
|
存储 算法 BI
【100天精通python】Day6:python基础_基本数据结构,常用序列类型和运算符
【100天精通python】Day6:python基础_基本数据结构,常用序列类型和运算符
108 0
|
Java 索引 Python
【Python】序列类型①-列表
序列是一块用来存放多个值的内存空间.Python中常用的数据结构有列表,元组,字典,字符串,集合等. 本篇文章主要讲解列表的常见操作.
【Python】序列类型②-元组
元组和列表一样可以存放多个,不同数据类型的元素 与列表最大的不同就是:列表是可变的,而元组不可变
|
索引 Python 容器
【Python】序列类型③-集合
集合是一种无序可变的容器对象 集合最大的特点:同一个集合内元素是不允许有重复的,因此集合自带"去重"效果
|
索引 Python
python之集合、序列、字典类型
python之集合、序列、字典类型
152 0
python之集合、序列、字典类型