用Arima()预测平稳序列
Arima()是一种用于预测平稳序列的统计模型。它是自回归移动平均模型（ARMA）和差分整合移动平均模型（ARIMA）的结合。ARIMA模型是一种常用的时间序列分析方法，可以用来预测未来的数值。
Arima()模型的主要参数包括p、d和q。其中，p表示自回归阶数，d表示差分阶数，q表示移动平均阶数。这些参数的选择通常需要通过观察时间序列的自相关图（ACF）和偏自相关图（PACF）来确定。
Arima()模型的优势在于它可以捕捉时间序列数据中的趋势和季节性变化，从而提供准确的预测结果。它适用于各种领域的时间序列数据分析，如经济学、金融学、气象学等。
在腾讯云中，可以使用腾讯云机器学习平台（Tencent Machine Learning Platform，TMLP）来应用Arima()模型进行时间序列预测。TMLP提供了丰富的机器学习算法和模型，包括ARIMA模型，可以帮助用户进行数据分析和预测建模。您可以通过以下链接了解更多关于TMLP的信息：腾讯云机器学习平台
需要注意的是，Arima()模型是一种统计模型，它的预测结果受到数据质量和模型参数的影响。在使用Arima()模型进行预测时，需要对数据进行预处理、模型参数调优和结果评估等步骤，以确保预测结果的准确性和可靠性。
相关·内容
我正在使用auto.arima从forecast包创建一个ARIMAX模型。因变量和回归变量是非平稳的。但是，auto.arima()返回一个模型ARIMA(0,0,0)。
我该担心这个吗？我应该强制auto.arima()差分我的时间序列，指定d=1吗？
如果我没有在我的模型中添加任何回归器，它就会检测到非平稳性，最终得到ARIMA(0,1,1)。
我知道这个问题类似于主题，但是我的数据集更大(大约90个观测值)，因此给出的答案并不令人满意。
浏览 5提问于2016-07-21得票数 3
回答已采纳
1回答
我尝试在时间序列数据集上使用ARIMA模型(STOSTSP-500)。
在将数据输入ARIMA模型之前，我想知道时间序列是否具有平稳性.
所以，我选择股票的股票是"APA"(Apache公司)，我使用adfuller从包statsmodels.tsa.stattools来检验时间序列是否具有平稳性。
我还使用了软件包ndiff pmdarima.arima来寻找适合ARIMA模型的差分数(据我所知，在ARIMA模型上设置这个数字会使时间序列具有平稳性)。
并且adfuller的p值大于0.0 5，所以我假设时间序列没有平稳性(我在这里找到结论：)
但ndiff的结果是0。
据我
浏览 5提问于2021-12-26得票数 -1
回答已采纳
TS<-ts(Product_Dist_Training_Trans[,17], frequency = 7)
plot(TS)
library(tseries)
library(forecast)
TSETS<- TS
adf<- adf.test(TS)
Order<- ndiffs(TS)
if (adf$p.value>.05)
{
for(i in 1:Order){
TSDiff<- diff(TS)
TS<- TSDiff}} else
{
TS
}
decomp<- decompose(TS)
TSadj<
浏览 3提问于2018-10-29得票数 1
1回答
在这篇关于静态和差异的链接中，人们提到像ARIMA这样的模型需要一个平稳的时间序列来进行预测，因为它的统计特性如均值、方差、自相关等随着时间的推移是恒定的。由于RNN具有更好的学习非线性关系(如下所述:递归神经网络在时间序列预测中的应用前景)的能力，并且在数据大的情况下比传统的时间序列模型表现得更好，因此了解平稳数据对其结果的影响是非常必要的。我需要知道的问题如下：
在传统的时间序列预测模型中，时间序列数据的平稳性使得预测变得更容易，为什么和如何？
在利用LSTMs建立时间序列预测模型时，使时间序列数据平稳是否重要？如果是，那为什么？
浏览 0提问于2017-11-16得票数 33
回答已采纳
ARIMA模型参数的p、d和q值的正确预测方法是什么？
网格搜索如何帮助查找这些参数？
如何使非平稳数据用于平稳应用ARIMA？
我已经提到了这个
浏览 0提问于2018-12-07得票数 2
1回答
我有一个气象站近50年的每日天气数据，我想预测未来100天的天气。我使用python，到目前为止我使用的所有工具(pmdarima.auto_arima、statsmodels.ARIMA等)要么无限地运行，要么只是撞坏了我的Colab或木星笔记本。用ARIMA预测这些数据的最好方法是什么？
ACF和PACF图通常也给出这样的结果，我无法解释有意义的p，d，q阶。例如，adf-测试给出了季节性部分的p值0.000，这是它的PACF和PACF地块：
📷
📷
adf-检验表明，季节性部分是平稳的，但PACF图仍然给出了显著的滞后值，甚至高达35 (这将使运行ARIMA模型的时间更长)。如有任何建议
浏览 0提问于2022-12-10得票数 0
2回答
我想写一个代码，涉及使用ETS和自回归模型自动选择最佳组合模型。我应该根据什么标准进行选择？
另外，如果我使用auto.arima函数从R中的预测包中推断AR项和相应系数的数量，我的输入序列是否必须是平稳的？或者自动选择d的值，从而返回一个非平稳模型？
谢谢，Phani
浏览 0提问于2010-06-28得票数 1
1回答
一开始，我已经对使用ARIMA很有信心(因为在处理非平稳的单变量时间序列时，它是被引用和推荐的。(我想我将不得不处理一个完全非平稳的时间序列数据)所以我担心的是我的时间序列在前两个月之后是平稳的(见图)
我应该继续使用ARIMA (或ARMA无差异)还是另一种方法？对于绘制的数据，哪一个模型是我使用的“最佳”模型。谢谢
浏览 1提问于2019-12-03得票数 1
我试图用R中的auto.arima函数拟合arima模型，尽管数据是非平稳的，结果仍然是(0，0，0，0)。
auto.arima(x，approximation=TRUE)
具有非零均值的ARIMA(0,0,0)
有人能建议为什么会出现这样的结果吗？顺便说一下，我只在10个数据点上运行这个函数。
浏览 2提问于2015-07-10得票数 1
2回答
我正在为按日期预测事件数量的时间序列的python程序工作。对于预测，我使用ARIMA模型。现在我有了一些结果，但预测值并不是很好。首先，我让我的时间序列是固定的。为此，我使用:通过Dickey-Fuller检验(0，5)检查平稳性，然后使用Box-Cox变换，并再次检查ed Dickey-Fuller值(0，3)。然后我试着找出一阶差分法。我没有收到好的结果。我的问题是如何处理非平稳时间序列。我应该使用哪些方法使其固定？
浏览 0提问于2018-08-05得票数 1
2回答
我的目标:我想了解一个时间序列，一个强自回归序列(ACF和PACF输出告诉我)，并做出预测。
所以我所做的是首先将我的数据转换为ts，然后分解时间序列，检查其平稳性(该序列不是平稳的)。然后我进行了对数变换，找到了一个最适合数据的Arima模型-我用精度(X)检查了精度-我选择了精度输出最接近0的模型。
这是正确的程序吗？我是统计学和R的新手，如果这是不正确的，我希望得到一些批评。
在构建Arima模型时，我使用了以下代码：
ARIMA <- Arima(log(mydata2), order=c(2,1,2), list(order=c(0,1,1), period=12))
我收到的
浏览 3提问于2018-01-18得票数 1
我正在使用以下教程学习ARIMA模型：—-fitting-an-arima-time-series-model
在我用步骤5对模型进行拟合之后--用以下代码拟合ARIMA时间序列模型：
mod = sm.tsa.statespace.SARIMAX(y,
order=(1, 1, 1),
seasonal_order=(1, 1, 1, 12),
enforce_stationarity=False,
浏览 0提问于2017-05-29得票数 7
回答已采纳
1回答
兰博达在同一系列中产生了不同的效果。-我们能说什么？- Lambda有什么效果？-我应该喜欢Lambda这样的例子吗？或者我不应该？-我看RMSE就够了吗？-是的，lambda规范了数据。但我应该什么时候选择呢？有很多问题。对不起，但我很困惑。我试图用ARIMA在下面的数据上建立一个模型。这个模型的结果可以说是什么？
>ARIMA_e <- forecast(auto.arima(train_e, lambda=0), h=h_e)
>accuracy(ARIMA_e)
ME RMSE MAE MP
浏览 2提问于2020-03-17得票数 0
回答已采纳
我曾经使用"auto.arima“在R中运行arima模型，以确定符合数据的最佳arima模型。即使没有它，在R中也很容易编写一个函数来执行类似的任务。然而，我已经用谷歌搜索了几天，我在SAS中找不到类似的过程。谁知道SAS中有没有"auto.arima“？或者我必须自己写一个？谢谢!
编辑:经过几天的在线搜索，我能找到的最接近的是时间序列预测包中的自动模型选择。但是，该函数是使用GUI的函数，仍然需要手动选择所有不同的模型进行测试。有没有人知道一个命令行过程或包来做这件事？谢谢。
浏览 0提问于2012-07-24得票数 2
为了执行时间序列分析，我生成了自己的虚拟销售数据。
它被认为是一家成长中的公司，因此我顺应了一种趋势。然而，我阅读了一些教程，并经常阅读这些信息，即非平稳时间序列不应由auto.arima函数预测。
但我收到的结果是有意义的，如果我要区别数据(我也这么做了)，输出就没有多大意义。
所以我的问题来了：我可以在我的数据中使用函数吗?显然有一个趋势？
先向你问好，谢谢你，弗朗西斯科
eps <- rnorm(100, 30, 20)
trend <- seq(1, 100, 1)
trend <- 3 * trend
Sales <- trend + eps
timefram
浏览 1提问于2016-12-18得票数 4
我是新的R和发现这个网站非常有帮助，所以这里是我的第一个张贴的问题。我感谢您的帮助，并感谢您在这个网站上的智慧。
背景：从5年的每周销售数据开始，以非常强的年度季节性为基础，对未来的生产进行预测。确定起点，包括：
auto.fit <- auto.arima(arima.ts, stepwise=FALSE, parallel=TRUE, num.cores=6, trace=TRUE )
> ARIMA(2,1,2)(0,0,1)[52] with drift.
现在，我希望证明的准确性与可视化绘图的多个窗口的数据和比较的实际值。(这包括记录AIC值。)换句话说，函数按编程间
浏览 4提问于2013-08-08得票数 2
2回答
模拟非平稳过程
、、
arima.sim()非常适合模拟平稳时间序列，但我找不到任何内置或软件包来模拟由其他任意arima系数参数化的非平稳时间序列。像这样的东西已经存在了吗，或者这是我必须手动编写的东西之一？
浏览 0提问于2013-11-19得票数 5
对于ARIMA模型，对BigQuery的ML.FORECAST的默认调用是：
ML.FORECAST(MODEL model_name,
[, STRUCT<horizon INT64, confidence_level FLOAT64> settings])
举个例子
SELECT
*
FROM
ML.FORECAST(MODEL `mydataset.mymodel`,
STRUCT(30 AS horizon, 0.8 AS confidence_level))
但是我想用历史数据来测试我的模型，这样我就可以看到我的模
浏览 8提问于2020-07-22得票数 1
回答已采纳
我正在预测一个财务指数，我试着用以下方法对时间序列进行分解：
from matplotlib import pyplot
from statsmodels.tsa.seasonal import seasonal_decompose
result = seasonal_decompose(dataset, model='multiplicative', freq=12)
result.plot()
pyplot.show()
我得到了以下结果：
📷
结果表明，时间序列不是平稳的，它有一个单位根(我用ADF和KPSS检验)，平均值和std在时间上是恒定的！
我想知道我是否应该使用
浏览 0提问于2020-02-25得票数 2
1回答
我正在研究我的论文的时间序列，我想知道"no合适的ARIMA模型发现“错误的可能原因是什么。我认为，当您试图融入带有auto.arima()函数的Arima模型的时间序列不稳定时，就会出现此错误。在我的例子中，我有一个平稳的时间序列(我用ADF检验，KPSS检验，也看了acf图)，当我试图用Arima模型拟合它时，就会有这个误差。我将一些回归器放入auto.arima()函数中，因为我需要，也许回归器的时间序列也必须是平稳的？提前谢谢。
浏览 5提问于2017-01-08得票数 0
2回答
一位作者在他的博客中检查了它们的平稳性，并在一个使用LSTM的预测问题中删除了它们。我问其他人，他们说不需要在LSTM中检查它。我读了一些文章，看起来它们需要在ARIMA model.Do中检查，我们必须在LSTM中检查吗？
浏览 0提问于2018-04-16得票数 6
回答已采纳
我正在使用ARIMA模型的类执行一个实验，我必须用R中的arima.sim()函数来模拟这些类，例如AR、MA、ARMA，可能还有ARIMA。我可以AR，MA，ARMA，但ARIMA似乎不可能，因为AR系数必须大于1 ($|\phi| > 1$)，才能使级数成为非平稳的。
模拟10个样本的MA值，系数为0.8
set.seed(837530)
ma1 <- arima.sim(n = 10, model = list(ma = c(0.8), order = c(0, 0, 1)), sd = 1)
forecast::auto.arima(ma1, ic = "aicc&
浏览 9提问于2022-02-14得票数 3
1回答
我正在尝试使用分组数据同时对几个t进行回归(具有arima误差的回归)的ARIMA预测。 我对整齐的数据不熟悉，所以...基本上，我用一个多变量ts和多变量模型重现了这个例子(https://cran.rstudio.com/web/packages/sweep/vignettes/SW01_Forecasting_Time_Series_Groups.html)。 下面是一个可重复使用的示例： library(tidyverse); library(tidyquant)
library(timetk); library(sweep)
library(forecast)
library(ts
浏览 16提问于2020-07-22得票数 0
回答已采纳
1回答
假设我有一个时间序列数据集，使用90%作为训练集，10%作为随机验证集。如何评估ARIMA模型的准确性？
我是否必须使用100%的完整数据集来拟合ARIMA模型，并使用auto.arima迭代地将其修改为使用forecast::Arima来预测验证集的训练集？
或
我是否必须使用训练集来迭代拟合ARIMA模型，并预测验证集、以及因此不同的模型，并且每次都不进行修改？
我一直认为，这是第一个，然而，我的模型是做奇怪的事情，当这样做时，使用傅立叶术语，以纳入多个季节性。
如果有人能帮我的话我会很感激的。
浏览 3提问于2019-11-01得票数 2
1回答
我有一个时间序列，非平稳的diff(1)。
下面是测试：
# Augmented Dickey-Fuller Test Unit Root / Cointegration Test #
The value of the test statistic is: -5.0157
# KPSS Unit Root / Cointegration Test #
The value of the test statistic is: 0.3134
# Phillips-Perron Unit Root / Cointegration Test #
The value of the test s
浏览 4提问于2017-10-30得票数 0
1回答
我有一个时间序列预测问题，我使用的是状态模型python包，我在python sm.tsa.ARIMA(数据，(p,1，q)中应用了ARIMA模型，通常将数据转换为第一个不同的数据，例如，如果我们有一个原始数据(y1、y2、y3、y4.)，那么ARIMA首先找到第一个差异，(y1-y2，y2-y3，.)，所以它从这个新数据(第一个不同数据)中建立模型。当我找到模型时我的问题
arma_mod1=sm.tsa.ARIMA(firstdifference, (p,1,q))
我可以预测第一个差异数据如下
predict_oil =arma_mod11.predict('1980',
浏览 2提问于2015-03-24得票数 1
1回答
这个问题有三个子部分，回答每个部分可能不需要很大的文本。我希望这样可以。
我试着用ML来理解时间序列预测。我有目标变量y_t，并假设另外两个变量x_t,z_t (例如，如果y_t是项目的需求，x_t可以是项目的类型或价格，等等)。另外，假设我使用的是随机森林模型，因为我已经阅读过它，通常情况下是可以的。
根据我的理解，如果我将y_{t-1}作为预测器，模型可能只是学习预测y_t=y_{t-1}，例如，与滞后1有自相关关系。考虑到这一点，将y_{t-1}作为一个特性是个坏主意吗？
(2)每个预测因子x_t,z_t都可能具有非平稳性、自相关或季节性等典型时间序列特征。有什么特殊的方法，我必须遵循或
浏览 0提问于2021-06-24得票数 3
1回答
我用auto.arima做了一个arima模型。然后利用预测函数得到预测对象。
问题是，为了降低异方差性，我对变量进行了日志转换。现在预测和日志的规模是一样的。我想要得到实际规模的预测，通过指数变换，然后用预测对象绘制相同的图。但我不能将此转换应用于预测对象。
arimaFit <- auto.arima(datats)
plot(exp(forecast(arimaFit, h = 100)))
这给了我以下错误：
Error in exp(forecast(arimaFit)) :
non-numeric argument to mathematical function
我考
浏览 4提问于2019-10-07得票数 1
5回答
我正在处理的问题是预测时间序列值。我一次看一个时间序列，根据15%的输入数据，我想预测它的未来值。到目前为止，我遇到了两种模式：
LSTM (长时记忆；一类递归神经网络)
阿里玛
我试过这两种方法，并读了一些关于它们的文章。现在我试着更好地了解如何比较这两种情况。到目前为止，我发现的是：
如果我们正在处理大量的数据，并且有足够的培训数据可用，那么LSTM工作得更好，而ARIMA更适合较小的数据集(这是正确的吗？)
ARIMA需要一系列参数(p,q,d)，这些参数必须基于数据计算，而LSTM不需要设置这些参数。然而，我们需要为LSTM调优一些超参数。
编辑:我在阅读一篇伟大的文章这里时注意到两者
浏览 0提问于2016-07-11得票数 86
1回答
我正在用ARIMA准备一个时间序列模型，我注意到时间序列数据不是平稳的，所以我在熊猫中使用了diff(period=1)。我安装了ARIMA模型，看上去不错。当我们对测试值和实时数据进行预测时，由于没有原始数据，如何反演预测？实际上，我想逆转我通过下面的代码计算出来的预测？
y_transformed = y.diff().dropna() #y is orginal dataset
nobs=12
train, test = y_transformed[0:-nobs], y_transformed[-nobs:]
# Fit ARMA model
model = ARMA(train[&
浏览 1提问于2022-06-21得票数 0
1回答
我试图预测时间序列数据的平均每周股价。
我遵循的步骤是：
我使用ADF和KPSS测试来测试数据是否是固定的。
接下来，为了使数据保持平稳--我使用StandardScaler对数据进行规范化，通过第一个差异消除了趋势，消除了不断增加的波动性，消除了季节性。
然后，我绘制了ACF和PACF图，以识别MA和AR滞后。
我为ARIMA模型建模了值，它似乎给出了糟糕的性能
我正在考虑下一步应用SARIMA模型，但我不确定是否应该删除季节性，因为SARIMA考虑了季节性因素。
我很感激你对此的想法。
浏览 0提问于2023-04-19得票数 0
我正在尝试使用statsmodel的ARIMA来预测时间序列。我正在使用sklearn的TimeSeriesSplit来评估我的模型。不幸的是，当我预测下一叠数据(具有真值Y_test)时，我得到了一个常量预测：
if is_arima:
Y_train = Y_train.astype(float)
# build basic ARIMA model
arima_model = ARIMA(Y_train, order=(2,0,1))
# fit it, using exogenous variables
arima_result
浏览 4提问于2018-03-12得票数 2
我试图预测一家公司的股价，数据是非平稳的。
我遵循的步骤-
分析原始数据
使用ADF和KPSS确定原始时间序列数据是否平稳。
应用第一差分和季节差分使数据平稳
用静态数据绘制ACF、PACF图确定MA和AR滞后
我的问题是，我是否应该将原始数据(非平稳数据，从第一步)传递到像SARIMA、ARIMA和SARIMAX这样的时间序列模型，并使用平稳数据(步骤3)来确定模型的MA和AR滞后系数。
或
我应该将平稳数据(第3步)传递给SARIMA、ARIMA、SARIMAX等时间序列模型，并使用MA和AR滞后系数作为模型。然后，为了确定预测的原始时间序列，我应该撤销我在步骤3中所做的所有转换，以使时间
浏览 0提问于2023-05-08得票数 0
回答已采纳
我正在尝试预测一个类似下面的auto.arima()模型。
一般来说，我想知道是否有必要在将时间序列传递给auto.arima()之前将其转换为类似于正态分布的时间序列。
同样，如果你的xreg=...预测器与你试图预测的时间序列的滞后相关，或者反之亦然，这有关系吗？
代码：
tsTrain <-tsTiTo[1:60]
tsTest <- tsTiTo[61:100]
Xreg<-CustCount[1:100]
##Predictor
xregTrain2 <- Xreg[1:60]
xregTest2 <- Xreg[61:100]
Arima.f
浏览 0提问于2016-03-17得票数 2
我有一些时间序列，就像这个：
📷
我想预测未来的价值，所以我分裂了火车/测试(70/30)，我创建了几个ARIMA模型，但是它们都是完全错误的(也许我错了)。首先，考虑到分化，ACF和PACF，我假设一个好的模型可以是ARIMA(2,2,2)或者类似的模型(扰流板:我没有找到任何好的模型)。
📷
为了具有更多类似的值，我使用了一个box转换来转换数据，所以
Timestamp Value year month
Timestamp
2010-01-01 2010-01-01 5.948447e+06 2
浏览 0提问于2022-09-29得票数 4
我是新的R和发现这个网站非常有帮助，所以这涵盖了我的问题的后半部分(每个帖子一个问题)。谢谢你提前提供帮助。
背景：I正在绘制具有多个预测的历史数据，用于视觉准确性检查。当显示在“观察”的x轴上时，这是非常有效的。但是，当在x轴上绘制日期时，这些数据更容易理解，因此我使用ts()将其设置为时间序列，并按预期绘制时间序列数据。不过，(A)由于预测数据不是时间序列，所以没有在时间尺度上绘制；及(B)我不知道如何强迫x轴加1年，才能显示预测。
问题： (A)如何将原始时间戳恢复到预测数据？我知道我可以手动重新创建时间序列，但是在预测的每一次迭代中都需要这样做。我已经考虑过使用预报()而不是预测()，
浏览 4提问于2013-08-08得票数 2
回答已采纳
我陷入了这个我无法解决的问题。 当使用AirPassengers数据并通过ETS()和AUTO.ARIMA()对其建模时，拟合值似乎与观测值很好地拟合： library(forecast)
a <- ts(AirPassengers, start = 1949, frequency = 12)
a <- window(a, start = 1949, end = c(1954,12), frequency = 12)
fit_a_ets <- ets(a)
fit_a_arima <- auto.arima(a)
plot(a)
lines(fit_a_ets$
浏览 39提问于2020-08-11得票数 0
回答已采纳
我有以下时间序列，我想要拟合ARIMA过程：
时间序列是平稳的，因为零假设被拒绝了：
> adf.test(g_train)
Augmented Dickey-Fuller Test
data: g_train
Dickey-Fuller = -5.5232, Lag order = 17, p-value = 0.01
alternative hypothesis: stationary
当我用auto.arima训练ARIMA过程时，我得到了以下结果：
> auto.arima(g_train)
Series: g_train
ARIMA(0,0,0) w
浏览 1提问于2018-03-27得票数 0
我试图比较三种预测技术：
平稳随机Poisson-GEV:其中事件的发生率由泊松过程给出，强度由一般极值分布(GEV)表示。
自回归积分移动平均(ARIMA)
长期短期内存网络(LSTM)
利用Akaike信息准则( AIC )对泊松-GEV拟合与数据进行比较是可能的，最好的拟合是较低的AIC。同样，也可以使用均方根误差(RMSE)对LSTM和ARIMA进行比较。
然而，由于参数的数量对我来说还不清楚，所以很难找到获得长期内存网络的AIC的方法。在寻找绕开这条路的时候，我找到了此页。我还是迷路了。
任何建议都会很好。非常感谢!
浏览 0提问于2021-06-18得票数 1
1回答
我有一些每日的时间序列数据。我正在尝试从每日的历史数据中预测未来3天。
历史数据显示出基于一周中某一天的明确趋势，如周一、周二等，周一和周二是高峰期，周三通常是高峰期，然后在一周剩下的时间里下降。
如果我按月或按周对数据进行分组，我肯定可以看到随着时间的推移而上升的趋势，这种趋势似乎是累加的。
我的目标是只预测未来3天。我的直觉告诉我采取一种方法，我希望得到一些关于利弊和其他方法的反馈。
我的直觉告诉我，按周或月对数据进行分组，然后预测下一周或月可能会更好。假设我通过将每周的历史数据加载到ARIMA中，对下周进行训练、测试和预测，从而预测下周的总额。在一周内，每周的每一天通常占该周总数的x%。
浏览 28提问于2019-10-24得票数 0
1回答
我正在建立一个时间序列模型。
但是，我很难理解simulate函数和forecast包中的forecast函数之间的区别。
假设我建立了一个arima模型，并希望用它来模拟长达10年的未来值。数据是每小时一次，我们有一年的数据。
当使用forecast来预测下一个1000步的估计时，我得到了下面的图.
使用预测方法的
然后，我使用simulate函数来模拟接下来的1000个模拟值，并得到了下面的图。
使用模拟方法的
红线后的数据点是模拟数据点。
在后一个例子中，我使用了以下代码来模拟未来的值。
simulate(arima1, nsim=1000, future=TRUE,
浏览 1提问于2016-12-02得票数 4
2回答
我是KNIME的新手，正在尝试使用ARIMA来推断我的时间序列数据。但我没能让ARIMA预测器来做它的工作。
输入数据的格式如下
year,cv_diff
2011,-4799.099999999977
2012,60653.5
2013,64547.5
2014,60420.79999999993
例如，我想预测2015和2016年的值。
我使用String to Date/Time节点将年份转换为日期。在ARIMA Learner中，我只能选择cv_diff字段。这是第一个问题:对于选项“包含单变量时间序列的列”，我应该设置年份列还是要预测的变量？但在我的例子中，我只有一个选择-- cv_
浏览 3提问于2017-06-27得票数 0
做时间序列分析，我对选择正确的模型有疑问。我想从包含no的输入数据集中预测下30分钟的窗口。那个特定的1分钟间隔的错误计数。
我应该使用XGBoost还是ARIMA回归？
我在网上发现的大多数文章或教程都使用ARIMA作为时间序列，而XGBoost则更多地用于Kaggle竞赛。
浏览 0提问于2019-09-24得票数 3
回答已采纳
1回答
我有大约10000个时间序列。
我想使用auto.arima函数
我想测试我的auto.arima模型对于10000时间序列的准确性。我正在推迟20%的数据点(如果你看到40个样本中的8个)，然后让auto.arima预测。然后，我可以比较生成的8个值和实际的8个值。
但是，在ARIMA模型中是否有一种正式的方法来检验精度呢？我的方法是correcT吗？
y=auto.arima(x)
plot(forecast(y,h=8))
样本时间序列1
0.0003748,0.0003929,0.0003653,0.0003557,0.0004463,0.000349,0.0003099,0.0003
浏览 4提问于2015-09-29得票数 0
我正试图对我的ARIMA模型做预测，但有一点我错了。
from statsmodels.tsa.arima.model import ARIMA
train2 = trainData1["meantemp"][:1170]
test2 = trainData1["meantemp"][1170:]
# p,d,q ARIMA Model
model = ARIMA(train2, order=(1,1,50))
model_fit = model.fit()
print(model_fit.summary())
在这里，trainData1将日期作为索引(您猜包
浏览 3提问于2022-02-08得票数 2
2回答
有没有一种方法可以在python中运行ARIMA/Holt-温特斯模型，同时处理多个项目(时间序列)？
我可以使用Python中的StatsModels包运行一个ARIMA/Holt-温特斯模型，但不能运行多个时间序列。
若要澄清我所说的多时间序列的含义，请参阅我的数据集。
浏览 1提问于2018-11-14得票数 3
我有一套数据，包括从1.01.19到9月的每小时电价。由于这个过程被证明是(弱的)平稳的，所以我在Python中应用了一个ARIMA模型来预测第二天的价格。
事实证明，最好的预测是利用过去两天的历史数据，最糟糕的是使用了近6000数值的预测。
发生这种情况的可能原因是什么？
浏览 0提问于2019-10-08得票数 1
回答已采纳
我有一个时间序列，比如说
694 281 479 646 282 317 790 591 573 605 423 639 873 420 626 849 596 486 578 457 465 518 272 549 437 445 596 396 259 390
现在，我想用ARIMA模型预测下面的值，但是ARIMA要求时间序列是平稳的，所以在这之前，我必须识别上面的时间序列是否符合要求，然后fUnitRoots就出现了。
我认为可以提供一些帮助，但没有简单的教程
我只想要一个小演示来展示如何识别一个时间序列，有吗？
提前谢谢。
浏览 0提问于2013-04-21得票数 4
回答已采纳
2回答
我想(插入“必须”)在SAS中做一些ARIMA建模。通常，我会简单地在R中使用auto.arima，让函数选择差分顺序，并指定是使用AICc还是AIC等。
不是吧？！我是否需要恢复到Box Jenkins方法，并查看ACFs等。在SAS中进行ARIMA建模？
谢谢
浏览 0提问于2015-03-03得票数 2
我有一个简单的每月数据集，并简单地尝试了以下代码： `df2.holtwinters <- subset(df, account_id==loopitem)
x.holtwinters <- ts(df2.holtwinters$amount_usd, start = c(2015,1), end = c(2019,5), frequency = 12)
arima1.holtwinters <- HoltWinters(x.holtwinters)
forecast1.holtwinters <- predict(arima1.holtwinters,
浏览 62提问于2020-09-23得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
云直播活动推荐
腾讯云开发者
