Como criar um modelo ARIMA para previsão de série temporal em Python?

Este artigo foi publicado como parte do Data Science Blogathon.

Introdução

Um método estatístico popular e amplamente utilizado para previsão de séries temporais é o modelo ARIMA.. Um método estatístico popular e amplamente utilizado para previsão de séries temporais é o modelo ARIMA.. Um método estatístico popular e amplamente utilizado para previsão de séries temporais é o modelo ARIMA., Um método estatístico popular e amplamente utilizado para previsão de séries temporais é o modelo ARIMA..

Para saber a sazonalidade, Um método estatístico popular e amplamente utilizado para previsão de séries temporais é o modelo ARIMA..

Um método estatístico popular e amplamente utilizado para previsão de séries temporais é o modelo ARIMA., Um método estatístico popular e amplamente utilizado para previsão de séries temporais é o modelo ARIMA..

Um método estatístico popular e amplamente utilizado para previsão de séries temporais é o modelo ARIMA.

Um método estatístico popular e amplamente utilizado para previsão de séries temporais é o modelo ARIMA., daí a série temporal com tendências, daí a série temporal com tendências, daí a série temporal com tendências. daí a série temporal com tendências. Por outro lado, daí a série temporal com tendências, daí a série temporal com tendências. Em geral, daí a série temporal com tendências.

daí a série temporal com tendências. daí a série temporal com tendências.

Neste tutorial, daí a série temporal com tendências.

daí a série temporal com tendências. É realmente simplificado em termos de uso. Porém, É realmente simplificado em termos de uso.

É realmente simplificado em termos de uso.

o parametroso "parametros" são variáveis ou critérios usados para definir, medir ou avaliar um fenômeno ou sistema. Em vários domínios, como a estatística, Ciência da Computação e Pesquisa Científica, Os parâmetros são essenciais para estabelecer normas e padrões que orientam a análise e interpretação dos dados. Sua seleção e manuseio adequados são cruciais para obter resultados precisos e relevantes em qualquer estudo ou projeto.... del modelo ARIMA se definen de la siguiente manera:

p: É realmente simplificado em termos de uso, É realmente simplificado em termos de uso.
d: É realmente simplificado em termos de uso, É realmente simplificado em termos de uso.
q: É realmente simplificado em termos de uso, É realmente simplificado em termos de uso.
É realmente simplificado em termos de uso, É realmente simplificado em termos de uso, quer dizer, eliminar tendência e estruturas sazonais que afetam negativamente o modelo de regressão.

PASSOS

1. Visualice los datos de la Série temporalUma série temporal é um conjunto de dados coletados ou medidos em momentos sucessivos, geralmente em intervalos de tempo regulares. Esse tipo de análise permite identificar padrões, Tendências e ciclos nos dados ao longo do tempo. Sua aplicação é ampla, abrangendo áreas como economia, Meteorologia e saúde pública, facilitando a previsão e a tomada de decisões com base em informações históricas....

2. Identifique se a data está parada

3. Plote os gráficos de correlação e correlação automática

4. Construa o modelo ARIMA ou ARIMA sazonal com base nos dados

Comecemos

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

Neste tutorial, Estou usando o seguinte conjunto de dados.

df = pd.read_csv('time_series_data.csv')
df.head()

# Updating the header
df.columns=["Mês","Vendas"]
df.head()
df.describe()
df.set_index('Mês',inplace = True)

from pylab import rcParams
rcParams['figure.figsize'] = 15, 7
df.plot()

se olharmos para o gráfico acima, então podemos encontrar uma tendência de que há um momento em que as vendas são altas e vice-versa. Isso significa que podemos ver que os dados seguem a sazonalidade.. Para ARIMA, a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários. a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários, a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários.

a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários, a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários.

de statsmodels.tsa.stattools import adfuller

a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários.

a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários(df['Vendas'])

Para identificar a natureza dos dados, vamos usar o hipótese nulaLa hipótesis nula es un concepto fundamental en la estadística que establece una afirmación inicial sobre un parámetro poblacional. Su propósito es ser probada y, en caso de ser refutada, permite aceptar la hipótesis alternativa. Este enfoque es esencial en la investigación científica, ya que proporciona un marco para evaluar la evidencia empírica y tomar decisiones basadas en datos. Su formulación y análisis son cruciales en estudios estadísticos.....

H0: A hipótese nula: a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários.

H1: A hipótese alternativa: É uma afirmação sobre a população que contradiz H₀ e o que concluímos quando rejeitamos H₀.

#Ho: não é estacionário

# H1: está parado

a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários.

a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários(a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários):
    a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários(a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários)
    a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários [a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários,a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários,a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários,a primeira coisa que fazemos é identificar se os dados são estacionários ou não estacionários]
    por valor,rótulo em zip(resultado,rótulos):
        imprimir(rótulo+' : '+str(valor) )

se resultado[1] <= 0.05:
    imprimir("forte evidência contra a hipótese nula(Ho), rejeitar a hipótese nula. Os dados estão parados")
outro:
    imprimir("evidência fraca contra hipótese nula,indicando que não está estacionário ")

adfuller_test(df['Vendas'])

Depois de executar o código acima, vamos obter o valor P,

Estatística de teste ADF : -1.8335930563276237
valor p : 0.3639157716602447
#Lags usados : 11
Número de Observações : 93

Aqui o valor P é 0.36, que é maior que 0.05, o que significa que os dados aceitam a hipótese nula, o que significa que os dados não são estacionários.

Vamos tentar ver a primeira diferença e a diferença sazonal:

df['Vendas Primeira Diferença'] = df['Vendas'] - df['Vendas'].mudança(1)
df['Primeira Diferença Sazonal']= df['Vendas']-df['Vendas'].mudança(12)
df.head()

# Again testing if data is stationary
adfuller_test(df['Primeira Diferença Sazonal'].derrubar())

Estatística de teste ADF : -7.626619157213163
valor p : 2.060579696813685e-11
#Lags Used : 0
Número de Observações : 92

Aqui o valor P é 2.06, o que significa que vamos rejeitar a hipótese nula. Em seguida, os dados estão estacionários.

df['Primeira Diferença Sazonal'].enredo()

Vou criar autocorrelação:

from pandas.plotting import autocorrelation_plot
autocorrelation_plot(df['Vendas'])
plt.show()

de statsmodels.graphics.tsaplots importação plot_acf,plot_pacf
import statsmodels.api as sm
fig = plt.figure(figsize =(12,8))
ax1 = fig.add_subplot(211)
fig = sm.graphics.tsa.plot_acf(df['Primeira Diferença Sazonal'].derrubar(),lags=40,ax=ax1)
ax2 = fig.add_subplot(212)
fig = sm.graphics.tsa.plot_pacf(df['Primeira Diferença Sazonal'].derrubar(),lags=40,ax=ax2)

# For non-seasonal data
#p=1, d=1, q=0 ou 1

from statsmodels.tsa.arima_model import ARIMA
model=ARIMA(df['Vendas'],ordem=(1,1,1))
model_fit=modelo.fit()
model_fit.summary()

df['previsão']=model_fit.predict(start=90,end=103,dynamic=True)
df[['Vendas','previsão']].enredo(figsize =(12,8))

import statsmodels.api as sm
model=sm.tsa.statespace.SARIMAX(df['Vendas'],ordem=(1, 1, 1),seasonal_order=(1,1,1,12))
resultados=modelo.fit()
df['previsão']=resultados.prever(start=90,end=103,dynamic=True)
df[['Vendas','previsão']].enredo(figsize =(12,8))

from pandas.tseries.offsets import DateOffset
future_dates=[df.index[-1]+ DateOffset(meses=x)para x no alcance(0,24)]
future_datest_df=pd.DataFrame(future_datest_df=pd.DataFrame[1:],colunas = df.columns)

future_datest_df=pd.DataFrame()

future_datest_df=pd.DataFrame([df,future_datest_df=pd.DataFrame])

future_datest_df=pd.DataFrame['previsão'] future_datest_df=pd.DataFrame(start = 104, future_datest_df=pd.DataFrame 120, future_datest_df=pd.DataFrame)
future_datest_df=pd.DataFrame[['Vendas', 'previsão']].enredo(figsize =(12, 8))

conclusão

A previsão de séries temporais é realmente útil quando temos que tomar decisões futuras ou quando temos que fazer análises, podemos fazer isso rapidamente usando ARIMA, existem muitos outros modelos a partir dos quais podemos fazer previsões de séries temporais, mas ARIMA é realmente fácil de entender.

Espero que este artigo o ajude e economize uma boa quantidade de tempo.. Deixe-me saber se você tem alguma sugestão..

CÓDIGO FELIZ.

Prabhat Pathak (Perfil do linkedIn) future_datest_df=pd.DataFrame.

Relacionado