Python 状态模型的 ARIMA 预测

Question

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。

Answer 1

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。

Answer 2

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]
```

Python 状态模型的 ARIMA 预测

Python statsmodels ARIMA Forecast

python

time-series

forecasting

statsmodels