Python时间序列预测——SARIMA季节性自回归综合移动平均

简介

季节性自回归综合移动平均（SARIMA）或季节性ARIMA是ARIMA的一个扩展，它明确支持具有季节性分量的单变量时间序列数据，它增加了三个新的超参数来指定序列季节性成分的自回归（AR）、差分（I）和移动平均（MA），以及季节性周期的附加参数。

参数

order = (p, d, q)属性的参数与ARIMA模型相同：
p：趋势自回归顺序。
d：趋势差顺序。
q：趋势移动平均顺序。

seasonal_order = (P, D, Q, m)参数如下：
P：季节自回归
D：季节性差异
Q：季节移动平均
m：一个季节的时间间隔

代码：

from statsmodels.tsa.statespace.sarimax import SARIMAX
import pandas as pd


def SARIMA_model(series, predict_num=1): # predict_num 为向后预测的数量
    for i in range(predict_num):
        model = SARIMAX(series, order=(3, 0, 4))
        model_fit = model.fit(disp=False)
        predictions = model_fit.predict(start=len(series), end=len(series), dynamic=False)
        series = series.append(predictions)
    return series


if __name__ == '__main__':
    series = pd.Series([1, 4, 6, 8, 3, 5, 7])
    sarima_model = SARIMA_model(series, predict_num=5)
    print(sarima_model.tolist())
    # [1.0, 4.0, 6.0, 8.0, 3.0, 5.0, 7.0, 8.215773348614263, 4.933491858852119, 3.539567236197772, 6.245045169607152, 7.851636942953316]