快捷導(dǎo)航

使用python進(jìn)行時(shí)間序列預(yù)測(cè)的流程

更新時(shí)間：2024年09月05日 09:00:00 作者：杰哥在此

使用 Python 進(jìn)行時(shí)間序列預(yù)測(cè)是一個(gè)非常常見的任務(wù),可以應(yīng)用于各種領(lǐng)域,時(shí)間序列預(yù)測(cè)的方法有很多,包括統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)方法、以及深度學(xué)習(xí)方法,下面是一個(gè)簡(jiǎn)單的時(shí)間序列預(yù)測(cè)流程示例,需要的朋友可以參考下

引言

使用 Python 進(jìn)行時(shí)間序列預(yù)測(cè)是一個(gè)非常常見的任務(wù)，可以應(yīng)用于各種領(lǐng)域，如金融市場(chǎng)預(yù)測(cè)、銷售量預(yù)測(cè)、天氣預(yù)報(bào)等。時(shí)間序列預(yù)測(cè)的方法有很多，包括統(tǒng)計(jì)方法（如 ARIMA 模型）、機(jī)器學(xué)習(xí)方法（如支持向量機(jī)、決策樹）、以及深度學(xué)習(xí)方法（如 LSTM 網(wǎng)絡(luò)）。

下面是一個(gè)簡(jiǎn)單的時(shí)間序列預(yù)測(cè)流程示例，使用 Python 和 pandas、numpy、以及 statsmodels 庫(kù)來(lái)實(shí)現(xiàn) ARIMA 模型的時(shí)間序列預(yù)測(cè)。

1. 導(dǎo)入必要的庫(kù)

首先，我們需要導(dǎo)入一些常用的 Python 庫(kù)。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from sklearn.metrics import mean_squared_error

2. 準(zhǔn)備數(shù)據(jù)

我們將使用一個(gè)簡(jiǎn)單的時(shí)間序列數(shù)據(jù)集。這個(gè)數(shù)據(jù)集可以是來(lái)自 CSV 文件的數(shù)據(jù)，也可以是生成的模擬數(shù)據(jù)。在這里，我們將生成一些模擬數(shù)據(jù)。

# 生成模擬時(shí)間序列數(shù)據(jù)
np.random.seed(0)
date_range = pd.date_range(start='2020-01-01', periods=100, freq='D')
data = np.random.normal(0, 1, size=(100,)).cumsum()
time_series_data = pd.Series(data, index=date_range)

# 可視化數(shù)據(jù)
time_series_data.plot(title="Time Series Data", xlabel="Date", ylabel="Value")
plt.show()

3. 檢查時(shí)間序列的平穩(wěn)性

ARIMA 模型要求時(shí)間序列是平穩(wěn)的。我們可以通過(guò)觀察時(shí)間序列圖或使用統(tǒng)計(jì)檢驗(yàn)（如 ADF 檢驗(yàn)）來(lái)檢查時(shí)間序列的平穩(wěn)性。

from statsmodels.tsa.stattools import adfuller

# ADF 檢驗(yàn)
result = adfuller(time_series_data)
print(f'ADF Statistic: {result[0]}')
print(f'p-value: {result[1]}')

如果 p-value 小于 0.05，說(shuō)明時(shí)間序列是平穩(wěn)的。否則，我們可能需要對(duì)時(shí)間序列進(jìn)行差分操作來(lái)使其平穩(wěn)。

4. 拆分訓(xùn)練集和測(cè)試集

在進(jìn)行時(shí)間序列預(yù)測(cè)時(shí)，我們通常將數(shù)據(jù)集拆分為訓(xùn)練集和測(cè)試集。訓(xùn)練集用于訓(xùn)練模型，測(cè)試集用于評(píng)估模型性能。

# 拆分?jǐn)?shù)據(jù)集
train_size = int(len(time_series_data) * 0.8)
train, test = time_series_data[:train_size], time_series_data[train_size:]

# 可視化訓(xùn)練集和測(cè)試集
train.plot(label='Training Data')
test.plot(label='Test Data')
plt.legend()
plt.show()

5. 構(gòu)建和訓(xùn)練 ARIMA 模型

ARIMA 模型的參數(shù)包括 p（自回歸部分的階數(shù)）、d（差分階數(shù)）、q（移動(dòng)平均部分的階數(shù)）?？梢酝ㄟ^(guò) ACF 和 PACF 圖或網(wǎng)格搜索來(lái)確定這些參數(shù)。在這里，我們將使用簡(jiǎn)單的參數(shù)值。

# 創(chuàng)建 ARIMA 模型
model = ARIMA(train, order=(5, 1, 0))  # 這里 (p, d, q) = (5, 1, 0)
model_fit = model.fit()

# 打印模型總結(jié)
print(model_fit.summary())

6. 進(jìn)行預(yù)測(cè)

訓(xùn)練好模型后，我們可以對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，并與實(shí)際值進(jìn)行比較。

# 進(jìn)行預(yù)測(cè)
predictions = model_fit.forecast(steps=len(test))
predictions_series = pd.Series(predictions, index=test.index)

# 可視化預(yù)測(cè)結(jié)果
train.plot(label='Training Data')
test.plot(label='Test Data')
predictions_series.plot(label='Predictions')
plt.legend()
plt.show()

7. 評(píng)估模型

最后，我們?cè)u(píng)估模型的性能，可以使用均方誤差（MSE）、平均絕對(duì)誤差（MAE）等指標(biāo)。

# 計(jì)算均方誤差
mse = mean_squared_error(test, predictions_series)
print(f'Mean Squared Error: {mse}')

8. 完整代碼

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
from sklearn.metrics import mean_squared_error
from statsmodels.tsa.stattools import adfuller

# 生成模擬時(shí)間序列數(shù)據(jù)
np.random.seed(0)
date_range = pd.date_range(start='2020-01-01', periods=100, freq='D')
data = np.random.normal(0, 1, size=(100,)).cumsum()
time_series_data = pd.Series(data, index=date_range)

# 檢查時(shí)間序列的平穩(wěn)性
result = adfuller(time_series_data)
print(f'ADF Statistic: {result[0]}')
print(f'p-value: {result[1]}')

# 拆分?jǐn)?shù)據(jù)集
train_size = int(len(time_series_data) * 0.8)
train, test = time_series_data[:train_size], time_series_data[train_size:]

# 創(chuàng)建和訓(xùn)練 ARIMA 模型
model = ARIMA(train, order=(5, 1, 0))
model_fit = model.fit()

# 進(jìn)行預(yù)測(cè)
predictions = model_fit.forecast(steps=len(test))
predictions_series = pd.Series(predictions, index=test.index)

# 評(píng)估模型
mse = mean_squared_error(test, predictions_series)
print(f'Mean Squared Error: {mse}')

# 可視化
train.plot(label='Training Data')
test.plot(label='Test Data')
predictions_series.plot(label='Predictions')
plt.legend()
plt.show()

總結(jié)

上述步驟展示了一個(gè)簡(jiǎn)單的時(shí)間序列預(yù)測(cè)流程。根據(jù)實(shí)際情況，你可以選擇更復(fù)雜的模型，如 SARIMA、季節(jié)性分解、或使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型（如 LSTM）。此外，可以使用更復(fù)雜的特征工程和模型選擇方法來(lái)進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性。

以上就是使用python進(jìn)行時(shí)間序列預(yù)測(cè)的流程的詳細(xì)內(nèi)容，更多關(guān)于python時(shí)間序列預(yù)測(cè)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: