数据挖掘--挖掘建模-时序模式-ARIMA模型

代码与数据来源：Python数据分析与挖掘实战

原始数据：

日期	销量
1/1/2015	3023
1/2/2015	3039
1/3/2015	3056
1/4/2015	3138
1/5/2015	3188
1/6/2015	3224
1/7/2015	3226
1/8/2015	3029
1/9/2015	2859
1/10/2015	2870
1/11/2015	2910
1/12/2015	3012
1/13/2015	3142
1/14/2015	3252
1/15/2015	3342
1/16/2015	3365
1/17/2015	3339
1/18/2015	3345
1/19/2015	3421
1/20/2015	3443
1/21/2015	3428
1/22/2015	3554
1/23/2015	3615
1/24/2015	3646
1/25/2015	3614
1/26/2015	3574
1/27/2015	3635
1/28/2015	3738
1/29/2015	3707
1/30/2015	3827
1/31/2015	4039
2/1/2015	4210
2/2/2015	4493
2/3/2015	4560
2/4/2015	4637
2/5/2015	4755
2/6/2015	4817

代码：

#-*- coding: utf-8 -*-from __future__ import print_functionimport sys
reload(sys)
sys.setdefaultencoding('utf-8')  #UnicodeEncodeError: 'ascii' codec can't encode characters in position 2-3: ordinal not in range(128)import pandas as pddiscfile = '../data/arima_data.xls'
forecastnum = 5data = pd.read_excel(discfile, index_col=u'日期')import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
data.plot()
plt.show()from statsmodels.graphics.tsaplots import plot_acf
plot_acf(data).show()  #calc acffrom statsmodels.tsa.stattools import adfuller as ADF
print(u'原始序列的ADF检验结果为: ', ADF(data[u'销量']))
#return value is: adf, pvalue, usedlag, nobs, critical values, icbest, regresult, resstoreD_data = data.diff().dropna()
D_data.columns = [u'销量差分']
D_data.plot()
plt.show()
plot_acf(D_data).show()from statsmodels.graphics.tsaplots import plot_pacf
plot_pacf(D_data).show()
print(u'差分序列的ADF检验结果为: ', ADF(D_data[u'销量差分']))from statsmodels.stats.diagnostic import acorr_ljungbox
print(u'差分序列的白噪声检验结果为: ', acorr_ljungbox(D_data, lags=1))from statsmodels.tsa.arima_model import ARIMApmax = int(len(D_data)/10)
qmax = int(len(D_data)/10)bic_matrix = []for p in range(pmax+1):tmp = []for q in range(qmax+1):try:tmp.append(ARIMA(data, (p,1,q)).fit().bic)except:tmp.append(None)bic_matrix.append(tmp)bic_matrix = pd.DataFrame(bic_matrix)
p,q = bic_matrix.stack().idxmin()
print(u'BIC最小的p值和q值为: %s, %s' % (p,q))model = ARIMA(data, (p,1,q)).fit()
model.summary2()
model.forecast(5)

图1：原始序列的时序图

图2：原始序列的自相关图

图3：一阶差分之后序列的时序图

图4：一阶差分之后序列的自相关图

图5：一阶差分后序列的偏自相关图

数据挖掘--挖掘建模-时序模式-ARIMA模型相关推荐

ARIMA模型的R实现
1.模型简介 ARIMA模型,全称差分自回归移动平均模型.可以看作是差分运算和ARMA模型的结合.主要是针对具有线性趋势的非平稳的时间序列,来进行建模预测. ARIMA模型的形式如下: Φ(B)∇?? ...
Python3数据分析与挖掘建模实战
<div>课程地址:http://icourse8.com/Python3_shujufenxi.html</div>复制代码第1章课程介绍[赠送相关电子书+随堂代码] 第 ...
数据挖掘实战—餐饮行业的数据挖掘之挖掘建模
文章目录引言一.分类与预测 1.常用的分类与预测算法 2. 回归分析 3.决策树 4.人工神经网络二.聚类分析 1.常用的聚类分析算法 2.K-Means聚类算法 2.1 算法过程 2.2 数据 ...
股市行情分析是计算机在信息处理领域的应用,流数据时序模式依赖挖掘在股市行情分析中的应用-信息管理专业毕业论文.docx...
中文摘要摘要:随着计算机信息技术的飞速发展,出现了一种新数据模型--流数据.流中文摘要摘要:随着计算机信息技术的飞速发展,出现了一种新数据模型--流数据.流数据以连续的.快速的.随时间变化的并且 ...
数据挖掘——时间序列算法之ARIMA模型
数据挖掘--时间序列算法之ARIMA模型前言差分定义 ARIMA模型实践 1.检验序列的平稳性 2.进行一阶差分后,进行平稳性和白噪声检验 3.对一阶差分之后的平稳非白噪声序列拟合ARMA模型 ...
ARIMA模型建模步骤
ARIMA模型建模步骤一. 绘制时序图判断序列是否有明显的趋势或周期二. 单位根检验检验方法 ADF DFGLS PP KPSS ERS NP 前三种有有关常数与趋势项假设,应用不方便,建议少 ...
Web数据挖掘：挖掘Web内容模式、结构和用途
未整理电子书2 [SharePoint.2010.Site.Owner's.Manual(2012.2)].Yvonne.M.Harryman.文字版.pdf: http://www.t00y.com ...
【数据挖掘】时序模式-白噪音-时序图-ADF检验-一阶差分-acf pacf（2021-11-11
时序模式 2. 根据课堂上所讲的概念,编写程序产生以下时间序列数据(时间可以简化用1,2,3. . . . .表示),每种类型数据至少20条数据.并根据自己想法,使用程序画出相应的图. 一. 纯随机序 ...
时序数据预测-Arima模型篇
ARIMA模型详解基本概念 ARIMA(p, d, q)预测模型 ARIMA差分整合移动平均自回归模型,用于时间序列数据分析与预测,相比ARMA模型在AR和MA之间多了差分步骤,目的是把非平稳序列转 ...

数据挖掘--挖掘建模-时序模式-ARIMA模型

数据挖掘--挖掘建模-时序模式-ARIMA模型相关推荐

最新文章

热门文章