Question

我正在使用statsmodels库提供ARIMAX模型来预测时间序列。我有一个很奇怪的问题-如何通过明确为模型提供Endg和Exog变量来强制训练模型执行完全手动的点预测？

为了给您一个想法，我在2000-2017年的年度数据上训练了我的模型，在此模型中，我根据前几年的劳动力和大量exog变量预测了公司的未来劳动力。它运作良好。问题是，在2018年和2019年，公司极大地增加了工人数量，这是一次性的业务决定，而且我们还知道，从业务角度来看，我们在2000-2017年训练的模型是“正确的”。

我想做的是使用我在2000-2017年训练的模型，并提供2020年的预测，同时明确为其提供2018年和2019年的“实际值”。这样我们可以确保模型不会尝试适合此一次性跳跃，降低其质量。但是我该怎么办呢？请注意，我将模型与AR（2）一起使用-因此我需要提供前2年的数据。

我已经看到了一些用于statsmodels的方法，该方法可以让您：

1）选择训练有素的ARIMAX模型

2）明确为其提供exog变量的前两年值

3）明确为其提供前2年的Endg值

4）仅提供单点预测

predict和forecast方法都只允许您指定要从样本预测中执行的步骤数，但是它们不允许明确给出新的Endg值用于预测< / p>

Answer 1

在当前发布的版本（v0.10）中，您需要执行以下操作（请注意，要使其正常工作，您必须使用sm.tsa.ARIMA模型而不是training_endog = endog.loc[:'2017'] training_exog = exog.loc[:'2017'] training_mod = sm.tsa.SARIMAX(training_endog, order=(2, 0, 0), exog=training_exog) training_res = training_mod.fit() mod = sm.tsa.SARIMAX(endog, order=(2, 0, 0), exog=exog) res = mod.smooth(training_res.params) print(res.forecast(1, exog=exog_fcast))模型）：

training_endog = endog.loc[:'2017']
training_exog = exog.loc[:'2017']

training_mod = sm.tsa.SARIMAX(training_endog, order=(2, 0, 0), exog=training_exog)
training_res = training_mod.fit()

res = training_res.append(endog.loc['2018':], exog=exog.loc['2018':])
print(res.forecast(1, exog=exog_fcast))

NB：我们最近添加了一个新功能，使这种事情变得更容易，该功能可在Github主存储库中使用，并将在v0.11中发布（尽管该版本尚无时间表），在这里您可以而是：

InputStream inputStream = httpURLConnection.getInputStream();
            BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(inputStream, "iso-8859-1"));
            String result = "";
            String line ="";
            while((line = bufferedReader.readLine())!= null){

                result += line;
            }

            bufferedReader.close();
            inputStream.close();
            httpURLConnection.disconnect();

            return result;

Statsmodels-使用训练有素的Arima模型通过明确提供要使用的endg值来进行手动点预测

1 个答案: