ARIMA模型产生直线预测

Question

我正在学习时间序列分析，我在2个数据集上使用ARIMA模型进行了一些实验

1. Airline passengers data
2. 美元vs印度卢比数据

我在Airline passengers data上获得了正常的锯齿形预测

ARIMA订单=（2,1,2）

Model Results

但是在USD vs Indian rupee data上，我得到的预测是直线

ARIMA订单=（2,1,2）

Model Results

SARIMAX订单=（2,1,2），季节性订单=（0,0,1,30）

Model Results

我尝试了不同的参数，但是对于USD vs Indian rupee data，我总是得到直线预测。

还有一个小疑问，我读过ARIMA模型不支持具有季节性成分的时间序列（为此我们拥有SARIMA）。那么，为什么对于航空公司乘客数据ARIMA模型会产生具有周期的预测。

我是时间序列分析的新手，任何评论都会有很大帮助

Answer 1

最近经历过类似的问题，我建议以下内容：

1. 可视化数据的季节性分解，以确保数据中存在季节性。请确保数据帧中包含频率分量。您可以使用以下命令在pandas数据框中强制执行频率：

   dh = df.asfreq('W') #for weekly resampled data and fillnas with appropriate method

以下是执行季节性分解的示例代码：

import statsmodels.api as sm

decomposition = sm.tsa.seasonal_decompose(dh['value'], model='additive', 
                            extrapolate_trend='freq') #additive or multiplicative is data specific
fig = decomposition.plot()
plt.show()

该图将显示您的数据中是否存在季节性。请随时阅读有关季节性分解的惊人文档。 Decomposition

1. 如果您确定模型的季节性成分为 30 ，那么使用pmdarima套餐就可以得到不错的结果。该软件包对于为模型找到最佳pdq值非常有效。这是它的链接：pmdarima example code pmdarima

如果不确定季节性，请就数据的季节性影响咨询领域专家，或尝试对模型中的不同季节性成分进行试验并估算误差。

在训练模型之前，请确保通过Dickey-Fuller测试检查数据的平稳性。 pmdarima支持通过以下方式查找d组件：

from pmdarima.arima import ndiffs
kpss_diff = ndiffs(dh['value'].values, alpha=0.05, test='kpss', max_d=12)
adf_diff = ndiffs(dh['value'].values, alpha=0.05, test='adf', max_d=12)
n_diffs = max(adf_diff , kpss_diff )

在我在此处提供的文档的帮助下，您也可以找到d。如果答案没有帮助，请提供汇率数据源。我将尝试用示例代码来解释流程。