本文主要是介绍时间序列模型 ARIMA，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
ARIMA模型（英语：Autoregressive Integrated Moving Average model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。“差分”一词虽未出现在ARIMA的英文名称中，却是关键步骤。
statsmodels.tsa.arima_model包中有ARIMA集成好的模型，我们只需要输入p,d,q即可。
数据为纽约市的交通进出情况（一个txt进，一个txt出），然后已知一年365天*24小时的数据，想用ARIMA来预测，并计算MAE和RMSE来评估预测准确性。
我的data_prepare（）函数是用来拼接两个文件夹里的数据的，一般只要读取一个文件夹的数据即可，返回是一个大矩阵。
其中取了数据集的前66%做训练集，后34%做测试集，与预测的结果做对比。
res（）函数是输入测试矩阵和预测矩阵，计算MAE和RMSE来评估预测准确性的。
main中写的三个数组是打算遍历p,d,q找到最优值的，但是我电脑跑的太慢了，最后直接取了0，1，0。
import warnings
import pandas as pd
import numpy as np
from sklearn.metrics import mean_squared_error
from sklearn.metrics import mean_absolute_error
from statsmodels.tsa.arima_model import ARIMAdef data_prepare():matrix = []file1 = "tensor_year_hour_lease.txt"file2 = "tensor_year_hour_return.txt"f1 = open(file1, "r")f2 = open(file2, "r")matrix1 = []lines1 = f1.readlines()for line in lines1:arr = line.split(",")arr = np.array(arr, dtype=int)matrix1.append(arr)f1.close()matrix2 = []lines2 = f2.readlines()for line in lines2:arr = line.split(",")arr = np.array(arr, dtype=int)matrix2.append(arr)f2.close()matrix = np.hstack((matrix1, matrix2)) # 拼接成功 输出（8760*188）return matrixdef evaluate_arima_model(X, arima_order):# 数据集的前66%作为训练集，后34%作为测试集train_size = int(len(X) * 0.66)# print("train_size",train_size)train, test = X[0:train_size], X[train_size:]history = [x for x in train]# make predictionspredictions = list()for t in range(len(test)):model = ARIMA(history, order=arima_order)model_fit = model.fit(disp=0)yhat = model_fit.forecast()[0]predictions.append(yhat)history.append(test[t])predictions = np.array(predictions)# print(predictions.shape)return predictionsdef res(test, predictions):mae = mean_absolute_error(test, predictions)mse = mean_squared_error(test, predictions)rmse = mse ** 0.5return mae, rmsedef evaluate_models(p_values, d_values, q_values):matrix = data_prepare()train_size = int(len(matrix) * 0.66)test = matrix[train_size:]best_mae, best_rmse, best_cfg = float("inf"), float("inf"), Nonefor p in p_values:for d in d_values:for q in q_values:pre = np.zeros((len(matrix)-train_size, 0))for i in range(0, 188): # 188是列数dataset = matrix[:, i]dataset = dataset.astype('float32')order = (p, d, q)predictions = evaluate_arima_model(dataset, order)pre = np.hstack((pre, predictions)) # 每一列做一次预测，然后拼接成矩阵print("p, d, q, i:", p, d, q, i)# print(pre.shape)# print(pre)mae, rmse = res(test, pre)if mae < best_mae:best_mae, best_rmse, best_cfg = mae, rmse, orderprint('ARIMA%s MAE=%.3f RMSE=%.3f' % (order, mae, rmse))print('Best ARIMA%s MAE=%.3f RMSE=%.3f' % (best_cfg, best_mae, best_rmse))if __name__ == '__main__':p_values = [0, 1, 2, 4, 6, 8, 10]d_values = range(0, 3)q_values = range(1, 3)warnings.filterwarnings("ignore")evaluate_models(p_values, d_values, q_values)
这篇关于时间序列模型 ARIMA的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
