广告策划案例,ayuse kozue,慢慢脱别弄醒她
arima模型
arima模型的全称是自回归移动平均模型,是用来预测时间序列的一种常用的统计模型,一般记作arima(p,d,q)。
arima的适应情况
arima模型相对来说比较简单易用。在应用arima模型时,要保证以下几点:
判断时序数据稳定
基本判断方法:稳定的数据,总体上是没有上升和下降的趋势的,是没有周期性的,方差趋向于一个稳定的值。
arima数学表达
arima(p,d,q),其中p是数据本身的滞后数,是ar模型即自回归模型中的参数。d是时间序列数据需要几次差分才能得到稳定的数据。q是预测误差的滞后数,是ma模型即滑动平均模型中的参数。
a) p参数与ar模型
ar模型描述的是当前值与历史值之间的关系,滞后p阶的ar模型可以表示为:
其中u是常数,et代表误差。
b) q参数与ma模型
ma模型描述的是当前值与自回归部分的误差累计的关系,滞后q阶的ma模型可以表示为:
其中u是常数,et代表误差。
c) d参数与差分
一阶差分:
二阶差分:
d) arima = ar+ma
arima模型使用步骤
python调用arima
#差分处理 diff_series = diff_series.diff(1)#一阶 diff_series2 = diff_series.diff(1)#二阶 #acf与pacf #从scipy导入包 from scipy import stats import statsmodels.api as sm #画出acf和pacf sm.graphics.tsa.plot_acf(diff_series) sm.graphics.tsa.plot_pacf(diff_series) #arima模型 from statsmodels.tsa.arima_model import arima model = arima(train_data,order=(p,d,q),freq='')#freq是频率,根据数据填写 arima = model.fit()#训练 print(arima) pred = arima.predict(start='',end='')#预测
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对移动技术网的支持。如果你想了解更多相关内容请查看下面相关链接
如对本文有疑问,请在下面进行留言讨论,广大热心网友会与你互动!! 点击进行留言回复
Python 实现将numpy中的nan和inf,nan替换成对应的均值
python爬虫把url链接编码成gbk2312格式过程解析
网友评论