import pandas # 讀取數據，指定日期為索引列data = pandas.read_csv('D:\\DATA\\pycase\\number2\\9.3\\Data.csv' ,index_col='日期' )# 繪圖過程中import matplotlib.pyplot as plt# 用來正常顯示中文標簽plt.rcParams['font.sans-serif']=['SimHei']# 用來正常顯示負號plt.rcParams['axes.unicode_minus'] = False # 查看趨勢圖 data.plot() #有增長趨勢，不平穩# 附加：查看自相關系數合片自相關系數（查分之后），可以用于平穩性的檢測，也可用于定階系數預估#自相關圖（）from statsmodels.graphics.tsaplots import plot_acfplot_acf(data).show() #自相關圖既不是拖尾也不是截尾。以上的圖的自相關是一個三角對稱的形式，這種趨勢是單調趨勢的典型圖形，說明這個序列不是平穩序列# 1 平穩性檢測from statsmodels.tsa.stattools import adfuller as ADFdef tagADF(t):result = pandas.DataFrame(index=["Test Statistic Value", "p-value", "Lags Used", "Number of Observations Used", "Critical Value(1%)", "Critical Value(5%)", "Critical Value(10%)"], columns=['銷量']);result['銷量']['Test Statistic Value'] = t[0]result['銷量']['p-value'] = t[1]result['銷量']['Lags Used'] = t[2]result['銷量']['Number of Observations Used'] = t[3]result['銷量']['Critical Value(1%)'] = t[4]['1%']result['銷量']['Critical Value(5%)'] = t[4]['5%']result['銷量']['Critical Value(10%)'] = t[4]['10%']return result;print('原始序列的ADF檢驗結果為:',tagADF(ADF(data[u'銷量']))) # 添加標簽后展現# 平穩判斷：得到統計量大于三個置信度(1%,5%,10%)臨界統計值，p值顯著大于0.05，該序列為非平穩序列。 # 備注：得到的統計量顯著小于3個置信度（1%，5%，10%）的臨界統計值時，為平穩 此時p值接近于0 此處不為0，嘗試增加數據量，原數據太少# 2 進行數據差分，一般一階差分就可以D_data = data.diff(1).dropna() D_data.columns = [u'銷量差分']#差分圖趨勢查看D_data.plot() plt.show()# 附加：查看自相關系數合片自相關系數（查分之后），可以用于平穩性的檢測，也可用于定階系數預估#自相關圖plot_acf(D_data).show()plt.show()#偏自相關圖from statsmodels.graphics.tsaplots import plot_pacfplot_pacf(D_data).show()# 3 平穩性檢測print(u'差分序列的ADF檢驗結果為：', tagADF(ADF(D_data[u'銷量差分']))) # 解釋：Test Statistic Value值小于兩個水平值，p值顯著小于0.05，一階差分后序列為平穩序列。# 4 白噪聲檢驗 from statsmodels.stats.diagnostic import acorr_ljungbox#返回統計量和p值print(u'差分序列的白噪聲檢驗結果為：', acorr_ljungbox(D_data, lags=1)) # 分別為stat值（統計量）和P值# P值小于0.05，所以一階差分后的序列為平穩非白噪聲序列。# 5 p，q定階from statsmodels.tsa.arima_model import ARIMA#一般階數不超過length/10pmax = int(len(D_data)/10) #一般階數不超過length/10qmax = int(len(D_data)/10) #bic矩陣bic_matrix = [] for p in range(pmax+1):tmp = []for q in range(qmax+1): #存在部分報錯，所以用try來跳過報錯。try: tmp.append(ARIMA(data, (p,1,q)).fit().bic)except:tmp.append(None)bic_matrix.append(tmp)#從中可以找出最小值bic_matrix = pandas.DataFrame(bic_matrix) #先用stack展平，然后用idxmin找出最小值位置。p,q = bic_matrix.stack().idxmin() print(u'BIC最小的p值和q值為：%s、%s' %(p,q)) # 取BIC信息量達到最小的模型階數，結果p為0，q為1，定階完成。# 6 建立模型和預測model = ARIMA(data, (p,1,q)).fit() #給出一份模型報告model.summary2() #作為期5天的預測，返回預測結果、標準誤差、置信區間。model.forecast(5)

總結

以上是生活随笔為你收集整理的数学建模——ARIMA时间序列预测模型Python代码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。