预测分析 Python ARIMA模型预测（学习笔记）
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm#读取数据
data=pd.read_excel("data_test.xls",index_col=0)
data=data['number']
data.plot(figsize=(12,8)) #原图
#数据带有周期性，先一阶差分，再144步差分
diff_1=data.diff(1)
diff1=diff_1.dropna()
diff1_144_1=diff_1-diff_1.shift(144)
diff1_144=diff1_144_1.dropna()
#画图判断是否平稳
fig=plt.figure(figsize=(12,8))
ax=fig.add_subplot(111)
diff1_144.plot(ax=ax)
#求差分序列的自相关图ACF和偏自相关图PACF
fig=plt.figure(figsize=(12,8))
ax1=fig.add_subplot(211)
fig=sm.graphics.tsa.plot_acf(diff1_144,lags=40,ax=ax1)
ax2=fig.add_subplot(212)
fig=sm.graphics.tsa.plot_pacf(diff1_144,lags=40,ax=ax2)
plt.show()
#模型定阶，根据aic、bic、hqic，三者都是越小越好
arma_mod01=sm.tsa.ARMA(diff1_144,(0,1)).fit()
print(arma_mod01.aic,arma_mod01.bic,arma_mod01.hqic)
arma_mod10=sm.tsa.ARMA(diff1_144,(1,0)).fit()
print(arma_mod10.aic,arma_mod10.bic,arma_mod10.hqic)
arma_mod60=sm.tsa.ARMA(diff1_144,(6,0)).fit()
print(arma_mod60.aic,arma_mod60.bic,arma_mod60.hqic)
arma_mod61=sm.tsa.ARMA(diff1_144,(6,1)).fit()
print(arma_mod61.aic,arma_mod61.bic,arma_mod61.hqic)
8782.801951424293 8795.000275694605 8787.618254792987
8781.294547949288 8793.4928722196 8786.110851317982
8761.522020813209 8794.05088553404 8774.365496463062
8758.668160226449 8795.263133037382 8773.117070332533
#模型定为ARMA(6,1)
#计算残差
resid=arma_mod61.resid#模型检验
#残差的acf和pacf
fig=plt.figure(figsize=(12,8))
ax1=fig.add_subplot(211)
fig=sm.graphics.tsa.plot_acf(resid.values.squeeze(),lags=40,ax=ax1) #squeeze()数组变为1维
ax2=fig.add_subplot(212)
fig=sm.graphics.tsa.plot_pacf(resid,lags=40,ax=ax2)
plt.show()
#残差自相关图断尾，所以残差序列为白噪声
#DW检验
print(sm.stats.durbin_watson(resid.values))
#DW值越接近2，越不相关
2.0010218978025396
#LB检验
r,q,p=sm.tsa.acf(resid.values.squeeze(),qstat=True)
d=np.c_[range(1,41),r[1:],q,p]
table=pd.DataFrame(d,columns=['lag','AC','Q','Prob(>Q)'])
print(table.set_index('lag'))
#最后一列，前12行>0.05，是白噪声序列
AC Q Prob(>Q)
lag
1.0 -0.002063 0.001847 0.965721
2.0 -0.002382 0.004315 0.997845
3.0 0.002808 0.007754 0.999819
4.0 0.009748 0.049281 0.999701
5.0 0.027424 0.378763 0.995894
6.0 0.029323 0.756320 0.993194
7.0 0.029986 1.152071 0.991989
8.0 0.009447 1.191448 0.996726
9.0 0.019532 1.360156 0.998057
10.0 -0.044771 2.248708 0.994054
11.0 -0.040862 2.990631 0.990849
12.0 0.011343 3.047942 0.995196
13.0 0.056182 4.457190 0.985285
14.0 -0.101289 9.048648 0.827922
15.0 0.009780 9.091558 0.872682
16.0 -0.136810 17.508472 0.353454
17.0 -0.040942 18.264090 0.372366
18.0 0.076638 20.918116 0.283564
19.0 -0.032965 21.410357 0.314576
20.0 -0.036031 21.999844 0.340519
21.0 -0.054508 23.352218 0.325490
22.0 -0.073111 25.791168 0.260756
23.0 -0.095535 29.965952 0.150382
24.0 -0.000842 29.966278 0.185872
25.0 -0.017792 30.111787 0.220131
26.0 -0.036573 30.728141 0.238550
27.0 -0.020433 30.920997 0.274395
28.0 -0.015075 31.026234 0.315917
29.0 -0.007246 31.050606 0.363043
30.0 0.028093 31.417890 0.395077
31.0 0.014406 31.514715 0.440505
32.0 0.034204 32.061910 0.463677
33.0 0.065449 34.070495 0.415925
34.0 0.002279 34.072937 0.464231
35.0 0.038986 34.789228 0.478234
36.0 0.011695 34.853844 0.522989
37.0 0.023147 35.107626 0.558008
38.0 0.009324 35.148905 0.602008
39.0 0.015081 35.257185 0.641311
40.0 -0.001944 35.258988 0.683390
#预测
predict_data=arma_mod61.predict('2017/4/4 23:50','2017/4/6 00:00',dynamic=False)
# 由于是用差分后的值做的预测，因此需要把结果还原
#144步差分还原
diff1_144_shift=diff_1.shift(144)
diff_recover_144=predict_data.add(diff1_144_shift)
#1阶差分还原
diff1_shift=data.shift(1)
diff_recover_1=diff_recover_144.add(diff1_shift)
diff_recover_1=diff_recover_1.dropna()
#输出预测值
print("预测值：")
print(diff_recover_1)
预测值：
2017-04-04 23:50:00 663684.828766
2017-04-05 00:00:00 645421.674270
dtype: float64
#实际值、预测值、差分预测值作图
fig,ax=plt.subplots(figsize=(12,8))
ax=data.ix['2017-04-01':].plot(ax=ax) #实际值
ax=diff_recover_1.plot(ax=ax) #预测值
fig=arma_mod61.plot_predict('2017/4/2 23:50','2017/4/6 00:00',dynamic=False,ax=ax,plot_insample=False)
plt.show()
预测分析 Python ARIMA模型预测（学习笔记）相关推荐
- python用ARIMA模型预测CO2浓度时间序列实现
全文下载链接:http://tecdat.cn/?p=20424 时间序列为预测未来数据提供了方法.根据先前的值,时间序列可用于预测经济,天气的趋势.时间序列数据的特定属性意味着通常需要专门的统计方法 ...
- r语言 python 股票_R语言使用ARIMA模型预测股票收益
原文链接:http://tecdat.cn/?p=2831 "预测非常困难,特别是关于未来".丹麦物理学家尼尔斯·波尔(Neils Bohr) 很多人都会看到这句名言.预测是这篇博 ...
- R语言时间序列（time series）分析实战：使用ARIMA模型预测时间序列
R语言时间序列(time series)分析实战:使用ARIMA模型预测时间序列 目录
- R时间序列分析|SP500股指的ARIMA模型预测与残差ARCH效应分析
R时间序列分析|S&P500股指的ARIMA模型预测与残差ARCH效应分析 前言 一.数据及分析目的 二.数据探索 三.ARIMA模型构建 四.残差分析 五.模型预测 前言 由于R语言对新手并 ...
- R语言与数据分析练习：使用ARIMA模型预测网站访问量
R语言与数据分析练习:使用ARIMA模型预测网站访问量 使用ARIMA模型预测网站访问量 一.实验背景: 随着流量的增大,某网站的数据信息量也在以一定的幅度增长 基于该网站2016年9月~2017年2 ...
- R语言时间序列分析之ARIMA模型预测
R语言时间序列分析之ARIMA模型预测 今天学习ARIMA预测时间序列. 指数平滑法对于预测来说是非常有帮助的,而且它对时间序列上面连续的值之间相关性没有要求.但是,如果你想使用指数平滑法计算出预测区 ...
- R语言使用ARIMA模型预测股票收益时间序列
"预测非常困难,特别是关于未来".丹麦物理学家尼尔斯·波尔(Neils Bohr),最近我们被要求撰写关于arima的研究报告,包括一些图形和统计输出. 很多人都会看到这句名言.预 ...
- python线性回归模型预测北京市未来12小时PM2.5值
项目源码请见:https://github.com/dennis0818/weather_data_analysis 一.分析目标 通过北京市历史24小时气象和大气污染物数据,采用普通线性回归.岭回归 ...
- R语言拟合ARIMA模型并使用拟合模型进行预测推理、使用autoplot函数可视化ARIMA模型预测结果、可视化包含置信区间的预测结果
R语言拟合ARIMA模型并使用拟合模型进行预测推理.使用autoplot函数可视化ARIMA模型预测结果.可视化包含置信区间的预测结果 目录
最新文章
- 数位DP 不断学习中。。。。
- vuejs基础玩法（基础知识，不喜勿喷！）
- PHP操作文件常用函数
- 成功解决ValueError: Cannot feed value of shape (80, 15, 1, 1) for Tensor 'Placeholder_1:0', which has sh
- 《Java技术》第九次作业计科1501赵健宇-IO
- vue 中$index $key 已移除
- ajax之深入解析（2）
- java文件编译为class文件需要键入什么命令_cmd命令行 编译Java 文件
- 权限设置并未向在应用程序容器 不可用
- maven + sonar, gradle + sonar
- 学习如何搭建SpringBoot框架
- EM78P153单片机构成433MHz发射电路
- 【深度学习-吴恩达】L1-3 浅层神经网络 作业
- 新视智科“5G+工业互联网”产品线南山研发中心揭牌成立，助力制造业转型创新发展
- 武科大计算机学院毕业生薪资,扎薪丨2018高校毕业生薪酬排行榜发布！华科排64、武大排90，非北上广还能去吗？...
- 嘘！市面上短视频(douyin)“去水印”的工具原来是这样实现的
- 心、肝、脾、肺、肾的毒藏在哪，你知道吗？
- python6翻了_Python-6.BeautifulSoup网络爬虫
- hostapd.conf 解析
- 屏幕录像功能技术探索及分享