Question

我正在尝试使用python statsmodels进行样本预测。我不想仅仅预测训练集末尾的下一个x值，但我想一次预测一个值，并在预测时考虑实际值。换句话说，我想做一期滚动预测，但我不想每次都重新校准模型。我能找到的最近的帖子是：

ARMA out-of-sample prediction with statsmodels

然而，这使用ARMA而不是ARIMA。如何使用ARIMA实现这一目标还是有更好的方法？我知道我实际上可以拉动系数并自己应用函数但是在我的代码中我使用的ARIMA模型随着时间的推移是动态的，因此系数和滞后值的使用数量不是恒定的。任何帮助将不胜感激。

Answer 1

如果我是对的，我有类似的问题：基本上我想将我的时间序列分成训练和测试集，训练模型，然后根据过去的历史任意预测测试集的任何元素。我没有设法使用ARIMA statsmodels类来实现它。

我是如何使用statsmodel进行的：我已经将一阶差异应用于系列以实现平稳性，并计算了一个arma模型：

model = sm.tsa.ARMA(fitting_data, order=(p, q), dates=fitting_dates).fit()

我已将arma模型转换为纯粹的模型：

ar_params = model.arparams
ma_params = model.maparams

ar_coefficients = arma2ar(ar_params, ma_params, nobs=final_ar_coeff)

nobs 参数会影响您将获得的自回归系数的数量。我尝试了几个值，增加它直到观察到预测没有显着变化。一旦你得到你的预测w.r.t.差异系列，你想把它们带回原来的系列。我实现了一种方法，在预测之前给出一个或一系列预测和最后一个已知元素，计算原始系列中的预测：

def differenced_series_to_original(values, starting_value):

    original_series = [starting_value]
    [original_series.append(original_series[-1]+i) for i in values]

    return original_series[1:]

显然值是您的预测列表， starting_value 最后一个已知元素。希望它有助于解决您的问题。

Answer 2

据我了解，您不想每次都运行模型，对此问题可以有两种解决方案

以pickle格式提取模型，然后每次都使用相同的模型来创建预测。
从模型中提取系数，并将其用于计算。

下面两个选项的代码。

创建修补程序并进一步使用它。

import pmdarima as pm
model = pm.auto_arima(train,
                      exogenous=exogenous_train,
                      start_p=1, start_q=1,
                      test='adf',       # use adftest to find optimal 'd'
                      max_p=5, max_q=5, # maximum p and q
                      m=12,              # frequency of series
                      d=None,           # let model determine 'd'
                      seasonal=True,   # No Seasonality
                      start_P=0, 
                      D=1, 
                      trace=True,
                      error_action='ignore',  
                      suppress_warnings=True, 
                      stepwise=True)

filename = 'ARIMA_Model.sav'
pickle.dump(model, open(filename, 'wb')) ## This will create a pickle file

## Load Model
model = pickle.load(open(filename, 'rb'))

## Forecast
fc, confint = model.predict(n_periods=1, 
                    exogenous=exogenous_test_df,
                    return_conf_int=True)

提取模型系数，我将pmdarima用于ARIMA，因此这是提取系数的方法。我想其他ARIMA库应该也一样。
```
Model_dict = model.to_dict()
Model_Order = Model_dict['order']
Model_seasonal_order = Model_dict['seasonal_order'][1]
```

Python statsmodels ARIMA预测

2 个答案: