### ARIMA模型简介 时间序列分析旨在通过历史数据来理解并预测未来的趋势。对于小样本数据集，ARIMA（自回归积分滑动平均模型）是一个有效的工具[^2]。 ### 数据准备 为了在Python中实现ARIMA模型，首先需要导入必要的库： ```python import pandas as pd from statsmodels.tsa.arima.model import ARIMA import matplotlib.pyplot as plt ``` 接着加载和预处理数据。假设有一个CSV文件`data.csv`，其中包含按日期索引的时间序列数据列`value`: ```python df = pd.read_csv('data.csv', parse_dates=['date'], index_col='date') series = df['value'] ``` ### 模型构建与训练 定义ARIMA模型参数p, d, q (分别为自回归项数、差分次数和平滑移动平均项数)，这里提供一种简单的方法自动寻找最优参数组合： ```python # 自动选择最佳(p,d,q)参数 import pmdarima as pm model_auto_arima = pm.auto_arima(series, start_p=0, start_q=0, test='adf', max_p=3, max_q=3, m=1, d=None, seasonal=False, trace=True, error_action='ignore', suppress_warnings=True, stepwise=True) print(model_auto_arima.summary()) ``` 基于选定的最佳参数创建ARIMA实例，并拟合模型： ```python order = model_auto_arima.order # 获取最佳(p,d,q) model = ARIMA(series, order=order) fitted_model = model.fit() ``` ### 预测未来值 利用已训练好的模型对未来一段时间内的值做出预测： ```python forecast_steps = 10 # 假设要预测接下来的10个时间点的数据 forecast = fitted_model.forecast(steps=forecast_steps) plt.figure(figsize=(10,6)) plt.plot(series.index[-len(forecast):], forecast, label="Forecast", color="red") plt.plot(series.tail(50), label="Actual") # 显示最后50个实际观测值作为对比 plt.legend(loc='best') plt.show() ``` 上述过程展示了如何针对较小规模的数据集，在Python环境下应用ARIMA算法完成时间序列预测的任务。