在下面的图片中显示的以下数据上使用（4,0,13）ARIMA模型会产生平坦的预测（也在下面的第二张图片中显示）。我不确定为什么模型可以拟合训练集中的数据，但是之后却什么也没预测。我发现了另一个问题here，该问题说我需要添加季节性因素。我将在下面详细介绍我的经验。
*预测图在橙色垂直线之后显示了所有训练数据以及验证数据。训练拟合四舍五入为整数（此数据集中不可能有实数）。请注意，预测只是平坦，然后消失。
我有15分钟的时间间隔数据，并希望对其应用SARIMA模型。它具有每天的季节性，定义为上午7点至晚上9点（因此，每4 * 15 = 60个周期（一个小时中的4个15分钟周期* 15小时））。我首先使用增强Dickey-Fuller测试来测试平稳性。这通过了，所以我开始分析ACF和PACF以确定SARIMA参数。
由此可见，没有单位根（ACF和PACF之和不等于1），并且由于ACF中没有较大的界限，因此我们需要对序列进行差分。
ACF & PACF on Differenced Data
据此，我发现它略有差异，因此我可能想尝试不使用积分项，并在15（原始绘图中ACF进入频带的点）处添加一个AR项。我还在这里添加一个MA术语。
我现在寻找季节性因素。我进行了周期60的季节差异，因为那是情节高峰所在。
看到这一点，我应该在季节性成分中添加2个MA术语（here中的规则13和7），但该网站还表示通常不使用超过1个季节性MA，因此我将其保留为1。
这给我留下了SARIMA（0,1,1）（0,1,1,60）模型。但是，我用尽了内存以尝试适应此模型（Python，使用statsmodels SARIMA函数）。
我是否正确选择了参数？ ARIMA / SARIMA是否可以拟合这些数据？最后，六十年代的SARIMA能否真正发挥作用，我只需要找到一种在其他计算机上运行它的方法？
我猜tl; dr问题是：我做错了什么？
随时进行详细介绍。我想及时了解时间序列，所以更多的信息会更好！
答案 0 :(得分：0)
要选择最佳拟合模型，请使用AIC / BIC测试来找到接收最佳结果的模型。您可以测试Q和P的不同组合。
BR 答：
