Pelajari AI dengan Python · Pelajaran

Model ARIMA dan SARIMA

Komponen AR, MA dan I, pemilihan parameter dengan ACF/PACF serta pemadanan ARIMA menggunakan statsmodels.

Pelajaran 2 daripada 413 langkah

Model ARIMA dan SARIMA ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 2 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Apakah ARIMA?

ARIMA ialah singkatan bagi AutoRegressive, Bersepadu dan Purata Bergerak. Ia memodelkan siri pegun menggunakan tiga bahagian: autoregresi (p), pengamiran/pembezaan (d) dan purata bergerak bagi ralat (q), yang ditulis sebagai ARIMA(p, d, q).

AR(p): Autoregresi

Istilah AR meramalkan nilai seterusnya daripada gabungan linear p nilai sebelumnya. Jika nilai hari ini banyak bergantung pada beberapa hari terakhir, anda memerlukan p yang bukan sifar.

Contoh: p=2 menggunakan dua pemerhatian paling terkini sebagai peramal.

I(d): Pengamiran / Pembezaan

Istilah I ialah tertib pembezaan d yang diperlukan untuk menjadikan siri pegun, iaitu nilai d yang anda temui melalui ujian ADF dalam pelajaran sebelumnya. d=1 membuang arah aliran linear.

MA(q): Purata Bergerak

Istilah MA memodelkan nilai seterusnya menggunakan q ralat ramalan yang lalu (kejutan). Ia menangkap pembetulan hingar jangka pendek yang terlepas daripada bahagian AR.

Memadankan ARIMA dalam statsmodels

Masukkan siri anda sebagai endog dan tupel tertib yang dipilih.

from statsmodels.tsa.arima.model import ARIMA

model = ARIMA(endog=series, order=(p, d, q))
fit = model.fit()
print(fit.summary())

Membuat Ramalan

Selepas dipadankan, jana nilai masa hadapan dengan forecast atau get_forecast (yang turut memberikan selang keyakinan).

preds = fit.forecast(steps=12)        # next 12 periods
fc = fit.get_forecast(steps=12)
ci = fc.conf_int()                    # confidence intervals

Plot ACF dan PACF

Untuk memilih p dan q, periksa plot autokorelasi:

ACF (autokorelasi) membantu memilih q (tertib MA).
PACF (autokorelasi separa) membantu memilih p (tertib AR).

Cari sela apabila korelasi terputus dengan ketara.

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

plot_acf(series.diff().dropna())
plot_pacf(series.diff().dropna())

AIC dan BIC untuk Pemilihan Tertib

AIC dan BIC menilai padanan model sambil mengenakan penalti terhadap kerumitan. Nilai yang lebih rendah adalah lebih baik. Padankan beberapa calon (p,d,q) dan pilih calon dengan AIC/BIC paling rendah; BIC mengenakan penalti terhadap parameter tambahan dengan lebih kuat.

print("AIC:", fit.aic)
print("BIC:", fit.bic)

Carian Grid bagi Tertib

Pendekatan biasa mengulangi julat kecil p, d dan q, memadankan setiap satunya, kemudian menyimpan AIC paling rendah. Pustaka seperti pmdarima.auto_arima mengautomatikkan carian ini.

best = None
for p in range(3):
    for q in range(3):
        try:
            f = ARIMA(series, order=(p, 1, q)).fit()
            if best is None or f.aic < best[1]:
                best = ((p, 1, q), f.aic)
        except Exception:
            pass
print(best)

SARIMA untuk Kemusiman

SARIMA menambah komponen kemusiman: (P, D, Q, m) dengan m sebagai panjang musim (12 untuk data bulanan tahunan). Ia mengendalikan corak berulang yang tidak dapat dikendalikan oleh ARIMA biasa.

from statsmodels.tsa.statespace.sarimax import SARIMAX

model = SARIMAX(series,
    order=(1, 1, 1),
    seasonal_order=(1, 1, 1, 12))
fit = model.fit()

ARIMA berbanding SARIMA

ARIMA(p,d,q): arah aliran dan kebergantungan jangka pendek, tanpa kemusiman.
SARIMA(p,d,q)(P,D,Q,m): menambah istilah kemusiman untuk kitaran berulang.

Jika penguraian anda menunjukkan kemusiman yang jelas, pilih SARIMA.

Semakan Pantas

Uji pengetahuan ARIMA anda.

Jawab dalam pelajaran interaktif

Imbas Kembali

Anda telah mempelajari ARIMA(p,d,q): AR menggunakan nilai lalu, I ialah tertib pembezaan, dan MA menggunakan ralat lalu. Anda memadankannya dengan ARIMA(endog, order=...), memilih tertib melalui ACF/PACF dan AIC/BIC, serta mengembangkannya kepada SARIMA untuk kemusiman. Seterusnya: Prophet untuk ramalan automatik.

Percuma untuk bermula

Pelajari Python dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus: 53
Pelajaran: 225

Mula belajar secara percuma Lihat kursus penuh

Soalan Lazim

Adakah pelajaran “Model ARIMA dan SARIMA” percuma?

Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Model ARIMA dan SARIMA”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Apakah yang akan saya pelajari dalam “Model ARIMA dan SARIMA”?

Komponen AR, MA dan I, pemilihan parameter dengan ACF/PACF serta pemadanan ARIMA menggunakan statsmodels. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?

Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 4.

Berapa lamakah pelajaran “Model ARIMA dan SARIMA” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?

Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

← Kembali ke Pelajari AI dengan Python