“利用ARIMA模型对时间序列进行分析的经典案例（详细代码）”一文中会遇到的问题总结（一）

最近有好几个朋友在问关于这篇博客的多个问题。这里掌柜打算做个总结，方便大家查阅。

• 问题一：
  最后得到的时序预测是负值，怎样保证为正值？
  或者 如何还原原始序列以及用ARIMA对原始序列的一个预测？
  亦或遇到报错“KeyError: 0 During handling of the above exception, another exception occurred：xxx”
  这三个其实都是问的同一个问题，即如何用ARIMA模型预测原始数据。这个问题一开始掌柜确实考虑掉了，感谢评论区朋友提出来。后来研究后补上了解决方法，但是这里要注意一个地方！
  在还原差分数据到原始序列这一步的时候有两种情况：

  • 第一种情况，如果初始时序值不为0，则采用下面的方法：

ts_restored = pd.Series([data[0]], index=[data.index[0]]) .append(data1).cumsum()

• 第二种情况，如果初始值时序值为0，那么就直接把原始数据（这里是data）带入第六步里面。
  完整的代码如下：

from statsmodels.tsa.arima_model import ARIMA

#还原到原始序列：
#第一种情况，如果初始时序值不为0，则采用下面的方法：
ts_restored = pd.Series([data[0]], index=[data.index[0]]) .append(data1).cumsum()
#第二种情况，如果初始值为0，那么就直接把原始数据data带入第六步里面

#第六步：使用ARIMA模型进行预测
model = ARIMA(ts_restored,order=(7,1,0)) #第一种情况，导入ARIMA模型
#model = ARIMA(data,order=(7,1,0))   #第二种情况，导入ARIMA模型
result = model.fit(disp=-1)
#print(result.summary())
result.conf_int()#模型诊断，可以发现所有的系数置信区间都不为0；即在5%的置信水平下，所有的系数都是显著的，即模型通过检验。

#最后画出时序图
fig, ax = plt.subplots(figsize=(12, 10))
ax = ts_restored.loc['1901':].plot(ax=ax)   #注意起点是从1901开始
fig = result.plot_predict(5, 100)  #因为前面是90个数，所以加上预测的10个就是100
plt.show()   #数据预测并画图

• 问题二：
  如何计算p、q值或 如何根据acf图和pacf图找到p、q值？
  解决办法：
  请看这篇博客，已经回答的比较详细了，谢谢。

• 问题三：
  “The end argument could not be matched to a location related to the index of the data.’”
  或“The start argument could not be matched to a location related to the index of the data.’”
  解决办法：
  出现这两种情况都是因为你的预测起始或结尾参数写错了。
  有可能是格式错了（比如整数写成字符串格式）；
  也有可能是时间点写错了（比如你预测的是2020之后10年的数据，应该起始数据包含2020，不是2021！！！）；
  如果以上都不是，那么建议你打印出该索引位置的数据出来看看是多少。

• 问题四：
  第五步预测出来的图像是一条直线？？？
  解决办法：
  这个也要具体情况具体分析，大致可能的原因掌柜估计有两种。
  第一种：你的原始数据本身包含多个含0的时序值，那么预测出来直线也是有可能的，这属于正常情况；
  第二种：该数据不适合用ARIMA模型来进行预测。

• 问题五：
  换其他数据做预测时，代码除了date值还有哪里需要调整/注意？？
  解决办法：
  如果你用其他数据进行预测，那么除了日期以外，还要注意就是p、q值以及模型的判断这三处要调整。谢谢

暂时大家的问题就这些，如果你还有其他新的问题，请继续评论或者私信提出来，大家一起解决✅，谢谢。