python 时间序列预测

·时间序列ARIMA模型
平稳性检验与纯随机性检验
python时序预测的7种方法
经验模态分解EMD

ARIMA模型

安装statsmodels

pip install statsmodels

建模过程

一、时间序列预处理

1)平稳性检验

a)时序图检验

观察时间序列的趋势性、周期性、季节性

b) acf 自相关系数和 pacf 偏相关系数

如果是拖尾或者截尾，就是平稳序列

from statsmodels.tsa.stattools import acf, pacf
##通过观察PACF和ACF截尾，分别判断p、q的值。
lag_acf = acf(y, nlags=80)  #自相关
lag_pacf = pacf(y, nlags=80, method='ols') #偏自相关
fig, axes = plt.subplots(1,2, figsize=(25,8))
pd.Series(lag_acf).plot(kind = 'bar', ax=axes[0])
pd.Series(lag_pacf).plot(kind = 'bar', ax=axes[1])

或者

from statsmodels.stats.diagnostic import acorr_ljungbox
plot_acf(y).show() #自相关图
plot_pacf(y).show() #偏自相关图

来源：CSDN

作者：WY_Share

链接：https://blog.csdn.net/sweet1194695742/article/details/103476491