企业官网建设流程全解析

网站建设方案书,凡科建站的建站后如何管理,防止wordpress目录显示,网站建设课程学习基于自回归整合滑动平均模型(ARIMA)的时间序列预测最近在折腾时间序列预测的项目#xff0c;发现ARIMA这玩意儿虽然老派但确实能打。今天咱们就抛开教科书上的复杂公式#xff0c;用实际代码和通俗解释聊聊怎么用它做预测。先扔个结论#xff1a;ARIMA的核心就是三句话——看…基于自回归整合滑动平均模型(ARIMA)的时间序列预测最近在折腾时间序列预测的项目发现ARIMA这玩意儿虽然老派但确实能打。今天咱们就抛开教科书上的复杂公式用实际代码和通俗解释聊聊怎么用它做预测。先扔个结论ARIMA的核心就是三句话——看历史数据、算差异、纠误差。先搞个模拟数据试试水。假设我们有个每周销售额的波动数据import numpy as np import pandas as pd np.random.seed(42) base np.linspace(0, 20, 100) trend 0.5 * np.arange(100) seasonality 5 * np.sin(2 * np.pi * np.arange(100)/7) noise np.random.normal(0, 1, 100) ts_data pd.Series(base trend seasonality noise, indexpd.date_range(2020-01-01, periods100, freqD))这时候直接上ARIMA肯定翻车得先看数据是否平稳。划重点ADF检验才是亲爹from statsmodels.tsa.stattools import adfuller result adfuller(ts_data) print(fADF统计量: {result[0]:.3f}) print(fp值: {result[1]:.3f}) # 输出大概率大于0.05说明不平稳如果p值大于0.05直接进入差分环节。这里有个骚操作——动态差分直到平稳diff_count 0 current_data ts_data.copy() while True: result adfuller(current_data.dropna()) if result[1] 0.05: break current_data current_data.diff().dropna() diff_count 1 print(f需要差分次数: {diff_count}) # 通常1-2次就能搞定接下来要确定AR和MA的阶数。别被ACF/PACF图搞懵实战中直接让auto_arima干活更省事from pmdarima import auto_arima model auto_arima(ts_data, seasonalFalse, traceTrue) # 输出里找AIC最小的组合比如(2,1,1)拿到最佳参数后正式建模from statsmodels.tsa.arima.model import ARIMA model ARIMA(ts_data, order(2,1,1)) results model.fit() # 重点看系数P值是否小于0.05否则考虑删减参数 print(results.summary())预测阶段注意要包含历史数据的类型forecast results.get_forecast(steps7) # 别直接用predict要带置信区间 print(forecast.predicted_mean)踩过几个坑特别提醒遇到周期性数据记得用SARIMA比如销售数据周循环预测结果出现直线下滑检查是否差分过度样本量小于50条的建议换模型最后来个可视化收尾import matplotlib.pyplot as plt ts_data.plot(label历史数据) forecast.predicted_mean.plot(label预测, colorred) plt.fill_between(forecast.conf_int().index, forecast.conf_int()[lower close], forecast.conf_int()[upper close], colorpink, alpha0.3) plt.legend()ARIMA就像老中医把脉数据平稳了、参数调准了预测效果自然就上来了。下次遇到股票价格、服务器负载这些时间序列不妨先拿它试试手。