Python如何进行Arima建模

1、首先，导入相应auto_arima，没有则要先安装pyramid。from pyramid import auto_arimaimport pandas as pd

2、然后，输入数据，可根据实际情况读取数据文件。data=pd.DataFrame猾诮沓靥({'gdp':[1.21,1.34,1.47,1.66,1.96,2.29,2.75,3.55,4.59,5.1,6.09,7.55,8.53,9.57,10.44,11.02,11.14,12.14,13.61],'year':[2000,2001,2002,2003,2004,2005,2006,2007,2008,2009,2010,2011,2012,2013,2014,2015,2016,2017,2018]})data=data.set_index('year')print("data",data)

3、对数据进行分割，按照7:3的比例分割训练集和测试集train=data[:int(0.7*len(data))]print("训练集",train)test=data[int(0.7*len(data)):]print("测试集",test)# #绘图查看训练集合测试集import matplotlib.pyplot as plttrain.plot()test.plot()plt.show()

4、对训练集数据进行模型训练。model=auto_ar坡纠课柩ima(train,trace=True,error_actio荏鱿胫协n="ignore",suppress_warnings=True)model.fit(train)代码中trace表示是否显示尝试过的模型，这些选择TRUE，可以看到auto_arima的自动定阶过程。结果中根据自动比较，找到AIC最小时对应的ARIMA(p,d,q)参数值，这里得到的结果是ARIMA(2,2,1)。如图所示。

5、利用刚才建立的ARI怡觎现喾MA(2,2,1)模型，对测试集数据进行预测。gdp_pre=model.predict(n_periods=len(test))gdp忧溲枷茫_pre=pd.DataFrame(gdp_pre,index=test.index,columns=["Prediction"])print("forecast:",gdp_pre)#绘制拟合曲线plt.plot(train,label="Train")plt.plot(test,label="test")plt.plot(gdp_pre,label="Prediction")plt.legend()plt.show()从拟合图可以看出，Arima模型对短期的预测能力较好，但是在较远的时期则具有一定偏差。

6、评价模型，计算均方根误差。from math import sqrtfrom sklearn.metrics import mean_squared_errorrms=sqrt(mean_squared_error(test,gdp_pre))print("均方根误差rms:",rms)根据结果可知，本次建模的均方根误差为3。