Python 状态模型的 ARIMA 预测
Python statsmodels ARIMA Forecast
我正在尝试使用 python 统计模型进行样本外预测。我不想只预测训练集末尾的下一个 x 个值,但我想一次预测一个值并在预测时考虑实际值。换句话说,我想做滚动 1 期预测,但我不想每次都重新校准模型。我能找到的最接近的 post 在这里:
ARMA out-of-sample prediction with statsmodels
但是,这使用的是 ARMA 而不是 ARIMA。我怎样才能用 ARIMA 实现这个或者有更好的方法吗?我知道我实际上可以提取系数并自己应用一个函数,但在我的代码中,我使用的 ARIMA 模型随着时间的推移是动态的,因此使用的系数和滞后值的数量不是恒定的。任何帮助将不胜感激。
如果我是对的,我遇到了非常相似的问题:基本上我想将我的时间序列分成训练集和测试集,训练模型,然后根据其过去的历史任意预测测试集的任何元素。不过,我没有设法使用 ARIMA statsmodels class 来实现它。
这就是我使用 statsmodels 的方法:我对序列应用一阶差分以实现平稳性,并计算了 arma 模型:
model = sm.tsa.ARMA(fitting_data, order=(p, q), dates=fitting_dates).fit()
我已经将 arma 模型转换为纯 ar 模型:
ar_params = model.arparams
ma_params = model.maparams
ar_coefficients = arma2ar(ar_params, ma_params, nobs=final_ar_coeff)
nobs 参数会影响您将获得的自回归系数的数量。我尝试了几个值,增加它直到观察到预测没有显着变化。一旦你得到你的预测 w.r.t。差异系列,您想将它们带回原始系列。我实现了一种方法,给定一个或一系列预测以及预测之前的最后一个已知元素,计算原始系列中的预测:
def differenced_series_to_original(values, starting_value):
original_series = [starting_value]
[original_series.append(original_series[-1]+i) for i in values]
return original_series[1:]
显然 values 是您的预测列表,starting_value 最后一个已知元素。希望对您的问题有所帮助。
据我了解,您不想每次都运行模型,这个问题有两种解决方案
- 以 pickle 格式提取模型,然后每次都使用相同的模型来创建预测。
- 从模型中提取系数并将其用于您的计算。
两个选项的代码如下。
Pickle 的创建和进一步使用。
import pmdarima as pm
model = pm.auto_arima(train,
exogenous=exogenous_train,
start_p=1, start_q=1,
test='adf', # use adftest to find optimal 'd'
max_p=5, max_q=5, # maximum p and q
m=12, # frequency of series
d=None, # let model determine 'd'
seasonal=True, # No Seasonality
start_P=0,
D=1,
trace=True,
error_action='ignore',
suppress_warnings=True,
stepwise=True)
filename = 'ARIMA_Model.sav'
pickle.dump(model, open(filename, 'wb')) ## This will create a pickle file
## Load Model
model = pickle.load(open(filename, 'rb'))
## Forecast
fc, confint = model.predict(n_periods=1,
exogenous=exogenous_test_df,
return_conf_int=True)
提取模型系数,我对 ARIMA 使用了 pmdarima,所以这就是提取系数的方法。我想它在其他 ARIMA 库中应该是相同的。
Model_dict = model.to_dict()
Model_Order = Model_dict['order']
Model_seasonal_order = Model_dict['seasonal_order'][1]
我正在尝试使用 python 统计模型进行样本外预测。我不想只预测训练集末尾的下一个 x 个值,但我想一次预测一个值并在预测时考虑实际值。换句话说,我想做滚动 1 期预测,但我不想每次都重新校准模型。我能找到的最接近的 post 在这里:
ARMA out-of-sample prediction with statsmodels
但是,这使用的是 ARMA 而不是 ARIMA。我怎样才能用 ARIMA 实现这个或者有更好的方法吗?我知道我实际上可以提取系数并自己应用一个函数,但在我的代码中,我使用的 ARIMA 模型随着时间的推移是动态的,因此使用的系数和滞后值的数量不是恒定的。任何帮助将不胜感激。
如果我是对的,我遇到了非常相似的问题:基本上我想将我的时间序列分成训练集和测试集,训练模型,然后根据其过去的历史任意预测测试集的任何元素。不过,我没有设法使用 ARIMA statsmodels class 来实现它。
这就是我使用 statsmodels 的方法:我对序列应用一阶差分以实现平稳性,并计算了 arma 模型:
model = sm.tsa.ARMA(fitting_data, order=(p, q), dates=fitting_dates).fit()
我已经将 arma 模型转换为纯 ar 模型:
ar_params = model.arparams
ma_params = model.maparams
ar_coefficients = arma2ar(ar_params, ma_params, nobs=final_ar_coeff)
nobs 参数会影响您将获得的自回归系数的数量。我尝试了几个值,增加它直到观察到预测没有显着变化。一旦你得到你的预测 w.r.t。差异系列,您想将它们带回原始系列。我实现了一种方法,给定一个或一系列预测以及预测之前的最后一个已知元素,计算原始系列中的预测:
def differenced_series_to_original(values, starting_value):
original_series = [starting_value]
[original_series.append(original_series[-1]+i) for i in values]
return original_series[1:]
显然 values 是您的预测列表,starting_value 最后一个已知元素。希望对您的问题有所帮助。
据我了解,您不想每次都运行模型,这个问题有两种解决方案
- 以 pickle 格式提取模型,然后每次都使用相同的模型来创建预测。
- 从模型中提取系数并将其用于您的计算。
两个选项的代码如下。
Pickle 的创建和进一步使用。
import pmdarima as pm model = pm.auto_arima(train, exogenous=exogenous_train, start_p=1, start_q=1, test='adf', # use adftest to find optimal 'd' max_p=5, max_q=5, # maximum p and q m=12, # frequency of series d=None, # let model determine 'd' seasonal=True, # No Seasonality start_P=0, D=1, trace=True, error_action='ignore', suppress_warnings=True, stepwise=True) filename = 'ARIMA_Model.sav' pickle.dump(model, open(filename, 'wb')) ## This will create a pickle file ## Load Model model = pickle.load(open(filename, 'rb')) ## Forecast fc, confint = model.predict(n_periods=1, exogenous=exogenous_test_df, return_conf_int=True)
提取模型系数,我对 ARIMA 使用了 pmdarima,所以这就是提取系数的方法。我想它在其他 ARIMA 库中应该是相同的。
Model_dict = model.to_dict() Model_Order = Model_dict['order'] Model_seasonal_order = Model_dict['seasonal_order'][1]