SARIMA 模型在 Python 中的包介绍
简介
SARIMA（Seasonal Autoregressive Integrated Moving Average）模型是一种用于时间序列分析和预测的经典方法。与 ARIMA 模型类似，SARIMA 模型可以处理具有季节性特征的时间序列数据，通过分析序列的自相关性和季节性来预测未来的值。在 Python 中，有许多库可以帮助我们实现 SARIMA 模型，如 statsmodels 和 pmdarima。
statsmodels 库
[statsmodels]( 是一个强大的 Python 库，提供了许多统计模型和方法，包括 SARIMA 模型。使用 statsmodels 可以方便地拟合 SARIMA 模型并进行预测。
安装
pip install statsmodels
使用示例
下面是一个简单的示例，演示了如何使用 statsmodels 库创建并拟合 SARIMA 模型：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.sarimax import SARIMAX
# 创建示例数据
np.random.seed(42)
data = np.random.normal(0, 1, 100)
dates = pd.date_range('20210101', periods=100)
df = pd.DataFrame(data, index=dates, columns=['value'])
# 拟合 SARIMA 模型
model = SARIMAX(df['value'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))
results = model.fit()
# 进行预测
forecast = results.get_forecast(steps=10)
forecast_values = forecast.predicted_mean
# 可视化预测结果
plt.plot(df['value'])
plt.plot(pd.date_range('20210411', periods=10), forecast_values, color='red')
plt.show()
在上面的示例中，我们首先生成了一个随机的时间序列数据，然后使用 SARIMAX 函数创建了一个 SARIMA 模型，并拟合了这个模型。最后，我们使用该模型进行了未来 10 个时间步的预测，并将结果可视化展示出来。
pmdarima 库
[pmdarima]( 是一个专门用于时间序列分析的 Python 库，提供了许多自动化工具和优化算法，可以帮助我们更方便地构建 SARIMA 模型。
安装
pip install pmdarima
使用示例
下面是一个使用 pmdarima 库创建 SARIMA 模型的示例：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pmdarima.arima import auto_arima
# 创建示例数据
np.random.seed(42)
data = np.random.normal(0, 1, 100)
dates = pd.date_range('20210101', periods=100)
df = pd.DataFrame(data, index=dates, columns=['value'])
# 自动拟合 SARIMA 模型
model = auto_arima(df['value'], seasonal=True, m=12)
model.fit(df['value'])
# 进行预测
forecast_values = model.predict(n_periods=10)
# 可视化预测结果
plt.plot(df['value'])
plt.plot(pd.date_range('20210411', periods=10), forecast_values, color='red')
plt.show()
在上面的示例中，我们使用 pmdarima 库中的 auto_arima 函数自动拟合了一个 SARIMA 模型，并进行了未来 10 个时间步的预测。最后，我们将预测结果可视化展示出来。
结论
通过使用 statsmodels 和 pmdarima 这两个 Python 库，我们可以方便地构建和拟合 SARIMA 模型，并进行时间序列数据的预测。无论是手动调整参数还是使用自动化工具，都可以帮助我们更好地理解时间序列数据的特征和趋势，从而做出更准确的预测。如果你对时间序列分析感兴趣，不妨尝试使用这些库来探索更多有关 SARIMA 模型的应用。
