时间序列分析之ARIMA模型预测餐厅销量

作者:Eureka丶 时间:2023-07-09 13:53:59 

ARIMA模型预测餐厅销量

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
from matplotlib.pylab import style                                   # 自定义图表风格
style.use('ggplot')
# 解决中文的显示问题
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
from statsmodels.graphics.tsaplots import plot_acf,plot_pacf         # 自相关图、偏自相关图
from statsmodels.tsa.stattools import adfuller as ADF                # 平稳性检验
from statsmodels.stats.diagnostic import acorr_ljungbox              # 白噪声检验
import statsmodels.api as sm                                         # D-W检验,一阶自相关检验
from statsmodels.graphics.api import qqplot                          # 画QQ图,检验一组数据是否服从正态分布
from statsmodels.tsa.arima_model import ARIMA

1、导入数据 

sale = pd.read_excel('./arima_data.xls', index_col='日期')
sale.head()

时间序列分析之ARIMA模型预测餐厅销量

sale.info()
print('-----')
sale.销量 = sale.销量.astype('float')
sale.info()

时间序列分析之ARIMA模型预测餐厅销量

2、原始序列检验

· 时序图

plt.figure(figsize=(10,5))
sale.plot()
plt.show()

#解读:具有单调递增趋势,则是非平稳序列。

时间序列分析之ARIMA模型预测餐厅销量

· 自相关图

plot_acf(sale, lags=35).show()

#解读:自相关系数长期大于零,没有趋向于零,说明序列间具有很强的长期相关性。

时间序列分析之ARIMA模型预测餐厅销量

· 平稳性检验

#方法:单位根检验

print('原始序列的ADF检验结果为:',ADF(sale.销量))

#解读:P值大于显著性水平α(0.05),接受原假设(非平稳序列),说明原始序列是非平稳序列。

时间序列分析之ARIMA模型预测餐厅销量

第一个是adf检验的结果。 第二个是统计量的P值。 第三个是计算过程中用到的延迟阶数。 第四个是用于ADF回归和计算的观测值的个数。 第五个是配合第一个一起看的,是在99%,95%,90%置信区间下的临界的ADF检验的值。

原文链接:adfuller函数返回值的参数说明与记录

3、一阶差分序列检验

d1_sale = sale.diff(periods=1, axis=0).dropna()

#时序图
plt.figure(figsize=(10,5))
d1_sale.plot()
plt.show()
#解读:在均值附件比较平稳波动

#自相关图
plot_acf(d1_sale, lags=34).show()
#解读:有短期相关性,但趋向于零。

#平稳性检验
print('原始序列的ADF检验结果为:',ADF(d1_sale.销量))

#解读:P值小于显著性水平α(0.05),拒绝原假设(非平稳序列),说明一阶差分序列是平稳序列。

时间序列分析之ARIMA模型预测餐厅销量

时间序列分析之ARIMA模型预测餐厅销量

时间序列分析之ARIMA模型预测餐厅销量

· 白噪声检验

print('一阶差分序列的白噪声检验结果为:',acorr_ljungbox(d1_sale, lags=1))#返回统计量、P值

#解读:p值小于0.05,拒绝原假设(纯随机序列),说明一阶差分序列是非白噪声序列。

时间序列分析之ARIMA模型预测餐厅销量

4、定阶

· 参数调优:人工判别

d1_sale = sale.diff(periods=1, axis=0).dropna()

#自相关图
plot_acf(d1_sale, lags=34).show()

#解读:有短期相关性,但趋向于零。

#偏自相关图
plot_pacf(d1_sale, lags=10).show()

#偏自相关图
plot_pacf(d1_sale, lags=17).show()

#解读:自相关图,1阶截尾;偏自相关图,拖尾。则ARIMA(p,d,q)=ARIMA(0,1,1)

时间序列分析之ARIMA模型预测餐厅销量

时间序列分析之ARIMA模型预测餐厅销量

时间序列分析之ARIMA模型预测餐厅销量

· 参数调优:BIC

pmax = int(len(d1_sale) / 10) #一般阶数不超过length/10
qmax = int(len(d1_sale) / 10) #一般阶数不超过length/10
pmax
qmax

时间序列分析之ARIMA模型预测餐厅销量

bic_matrix = []
for p in range(pmax + 1):
   tmp = []
   for q in range(qmax + 1):
       try:
           tmp.append(ARIMA(tuple(sale), (p, 1, q)).fit().bic)
       except:
           tmp.append(None)
   bic_matrix.append(tmp)
bic_matrix = pd.DataFrame(bic_matrix)
bic_matrix

时间序列分析之ARIMA模型预测餐厅销量

bic_matrix.stack()

时间序列分析之ARIMA模型预测餐厅销量

p,q=bic_matrix.stack().idxmin() #最小值的索引
print('用BIC方法得到最优的p值是%d,q值是%d'%(p,q))

时间序列分析之ARIMA模型预测餐厅销量

· 参数调优:AIC

pmax = int(len(d1_sale )/ 10) #一般阶数不超过length/10
qmax = int(len(d1_sale) / 10) #一般阶数不超过length/10

aic_matrix = []
for p in range(pmax + 1):
   tmp = []
   for q in range(qmax + 1):
       try:
           tmp.append(ARIMA(tuple(sale), (p, 1, q)).fit().aic)
       except:
           tmp.append(None)
   aic_matrix.append(tmp)
aic_matrix = pd.DataFrame(aic_matrix)
p,q = aic_matrix.stack().idxmin() #最小值的索引
print('用AIC方法得到最优的p值是%d,q值是%d'%(p,q))

时间序列分析之ARIMA模型预测餐厅销量

5、建模及预测

· 建模

#创建模型
model = ARIMA(tuple(sale), (0, 1, 1)).fit()
#查看模型报告
model.summary2()

时间序列分析之ARIMA模型预测餐厅销量

· 残差检验

resid = model.resid

#自相关图
plot_acf(resid, lags=35).show()

#解读:有短期相关性,但趋向于零。

#偏自相关图
plot_pacf(resid, lags=10).show()

#偏自相关图
plot_pacf(resid, lags=17).show()

时间序列分析之ARIMA模型预测餐厅销量

时间序列分析之ARIMA模型预测餐厅销量

时间序列分析之ARIMA模型预测餐厅销量

· QQ图

qqplot(resid, line='q', fit=True).show()

#解读:残差服从正态分布,均值为零,方差为常数

时间序列分析之ARIMA模型预测餐厅销量

· D-W检验

德宾-沃森检验,简称D-W检验,是目前检验自相关性最常用的方法,但它只适用于检验一阶自相关性。 因为自相关系数ρ的值介于-1和1之间,所以 0≤DW≤4。

  • 并且DW=O <=> ρ=1即存在正自相关性

  • DW=4 <=> ρ=-1即存在负自相关性

  • DW=2 <=> ρ=0即不存在(一阶)自相关性

因此,当DW值显著的接近于O或4时,则存在自相关性,而接近于2时,则不存在(一阶)自相关性。

print('D-W检验的结果为:',sm.stats.durbin_watson(resid.values))  

#解读:不存在一阶自相关

时间序列分析之ARIMA模型预测餐厅销量

· Ljung-Box检验

Ljung-Box test是对randomness的检验,或者说是对时间序列是否存在滞后相关的一种统计检验。对于滞后相关的检验,我们常常采用的方法还包括计算ACF和PCAF并观察其图像,但是无论是ACF还是PACF都仅仅考虑是否存在某一特定滞后阶数的相关。LB检验则是基于一系列滞后阶数,判断序列总体的相关性或者说随机性是否存在。

时间序列中一个最基本的模型就是高斯白噪声序列。而对于ARIMA模型,其残差被假定为高斯白噪声序列,所以当我们用ARIMA模型去拟合数据时,拟合后我们要对残差的估计序列进行LB检验,判断其是否是高斯白噪声,如果不是,那么就说明ARIMA模型也许并不是一个适合样本的模型。

检验的结果就是看最后一列前十二行的检验概率(一般观察滞后1~12阶),如果检验概率小于给定的显著性水平,比如0.05、0.10等就拒绝原假设,其原假设是相关系数为零。

# 方法一
print('残差序列的白噪声检验结果为:',acorr_ljungbox(resid,lags=1))#返回统计量、P值

#解读:残差是白噪声

时间序列分析之ARIMA模型预测餐厅销量

# 方法二
confint,qstat,pvalues = sm.tsa.acf(resid.values, qstat=True) #qstat is Ljung-Box Q-Statistic. confint is  Confidence intervals for the ACF
data = np.c_[range(1,36), confint[1:], qstat, pvalues]
table = pd.DataFrame(data, columns=['lag', "confint", "qstat", "pvalues(>Q)"])
print(table.set_index('lag'))

时间序列分析之ARIMA模型预测餐厅销量

· 预测

#预测
print('未来7天的销量预测:')
model.forecast(7) #预测、标准差、置信区间

时间序列分析之ARIMA模型预测餐厅销量

forecast = pd.Series(model.forecast(7)[0], index=pd.date_range('2015-2-7', periods=7, freq='D'))
forecast

时间序列分析之ARIMA模型预测餐厅销量

data = pd.concat((sale, forecast), axis=0)
data.columns = ['销量', '未来7天销量']
plt.figure(figsize = (10,5))
data.plot()
plt.show()

时间序列分析之ARIMA模型预测餐厅销量

来源:https://blog.csdn.net/Jeremiah_/article/details/121774581

标签:时间序列,ARIMA模型,预测
0
投稿

猜你喜欢

  • Python入门教程 超详细1小时学会Python

    2023-06-13 23:34:12
  • SQL分页查询存储过程代码分享

    2024-01-12 23:51:04
  • Python中的 ansible 动态Inventory 脚本

    2022-10-23 07:53:08
  • vue中项目页面空白但不报错产生的原因及分析

    2024-05-03 15:12:17
  • php设计模式 Singleton(单例模式)

    2023-11-20 14:37:50
  • 详解springboot 使用c3p0数据库连接池的方法

    2024-01-19 04:59:09
  • 详解Python logging调用Logger.info方法的处理过程

    2023-03-14 19:45:37
  • 表单设计中的网页视觉体验

    2008-06-26 13:35:00
  • 清除浮动新说

    2009-12-25 18:49:00
  • Golang标准库binary详解

    2024-04-25 13:19:47
  • 基于Python实现剪切板实时监控方法解析

    2023-05-31 16:01:59
  • SQL2005查询表结构的SQL语句使用分享

    2024-01-15 21:47:52
  • 详解如何使用Python实现删除重复文件

    2022-08-14 04:33:54
  • Python新手学习标准库模块命名

    2021-01-16 05:18:06
  • 网页优化之加速图片显示(CSS Sprite)

    2007-09-29 21:39:00
  • python读取图片并修改格式与大小的方法

    2021-05-13 09:13:25
  • python SSH模块登录,远程机执行shell命令实例解析

    2022-07-24 21:09:22
  • Python利用matplotlib绘制折线图的新手教程

    2021-08-18 18:00:01
  • 100行Python代码实现自动抢火车票(附源码)

    2022-12-16 12:14:09
  • php中加密解密DES类的简单使用方法示例

    2023-09-07 23:28:44
  • asp之家 网络编程 m.aspxhome.com