### Python 时间序列预测模型实现代码示例 #### ARIMA 模型简介 ARIMA（AutoRegressive Integrated Moving Average）是一种广泛应用于时间序列分析中的统计模型。该模型通过差分操作使非平稳数据变得平稳，并结合自回归(AR)和移动平均(MA)成分来捕捉时间序列的趋势和季节性特征[^1]。 #### 数据准备与预处理 为了构建有效的ARIMA模型，首先需要加载并探索目标时间序列数据集： ```python import pandas as pd from matplotlib import pyplot as plt # 加载数据 data = pd.read_csv('your_time_series_data.csv', parse_dates=['date_column'], index_col='date_column') # 查看前几行记录 print(data.head()) # 绘制原始时间序列图 plt.figure(figsize=(10,6)) plt.plot(data) plt.title('Original Time Series') plt.show() ``` #### 差分化处理 如果观察到的数据是非平稳的，则需对其进行适当次数的一阶或多阶差分直到获得一个近似平稳的过程为止： ```python from statsmodels.tsa.stattools import adfuller def test_stationarity(timeseries): result = adfuller(timeseries.dropna()) print(f'ADF Statistic: {result[0]}') print(f'p-value: {result[1]}') test_stationarity(data['value']) # 如果 p 值大于显著水平 (通常取 0.05)，则继续执行下述语句直至满足条件 diffed_data = data.diff().dropna() test_stationarity(diffed_data) # 可视化差异后的结果 plt.figure(figsize=(10,6)) plt.plot(diffed_data) plt.title('Differenced Data') plt.show() ``` #### 参数估计与模型训练 基于ACF/PACF图表确定合适的(p,d,q)参数组合后，可以利用`statsmodels`库完成最终模型拟合工作： ```python from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from statsmodels.tsa.arima.model import ARIMA # 展示 ACF 和 PACF 图表辅助选择最佳超参配置 plot_acf(diffed_data); plot_pacf(diffed_data); model = ARIMA(endog=data['value'], order=(p_value, d_value, q_value)) # 替换为具体数值 fit_result = model.fit() print(fit_result.summary()) # 输出诊断信息 ``` #### 预测未来趋势 一旦完成了上述步骤并且得到了满意的拟合效果，就可以调用`.forecast()`函数来进行短期或长期预测了： ```python predictions = fit_result.forecast(steps=forecast_horizon) # 将预测值附加至原 DataFrame 中以便于绘图比较 predicted_df = predictions.to_frame(name="Predictions").reset_index() final_plot_df = pd.concat([data.reset_index(), predicted_df], axis=0).set_index('index') plt.figure(figsize=(10,6)) plt.plot(final_plot_df[['value','Predictions']]) plt.legend(['Actual Values', 'Forecast']) plt.title('Time Series Forecast with ARIMA Model') plt.show() ```