共计 1602 个字符，预计需要花费 5 分钟才能阅读完成。
为什么需要时间序列分析？
假设你在一家电商公司负责库存管理，每天都会记录商品的销售量。突然有一天，老板问你：” 下个月的销量会是多少？” 这时候就需要用到时间序列分析。通过分析历史销售数据中的趋势、季节性等规律，ARIMA 模型能帮助我们做出相对准确的预测，避免库存积压或断货风险。
时间序列模型家族
在开始 ARIMA 之前，先了解几个基础模型：
- AR（自回归）模型
- 公式：$X_t = c + \sum_{i=1}^p \phi_i X_{t-i} + \epsilon_t$
-
特点：用历史值的线性组合预测当前值
-
MA（移动平均）模型
- 公式：$X_t = \mu + \epsilon_t + \sum_{i=1}^q \theta_i \epsilon_{t-i}$
-
特点：考虑历史误差对当前值的影响
-
ARMA 模型
-
AR 和 MA 的组合，适合平稳时间序列
-
ARIMA 模型
- 在 ARMA 基础上增加了差分 (d) 处理非平稳序列
- 完整公式涉及差分运算，记为 ARIMA(p,d,q)
实战五步法
第一步：数据平稳性检验
使用 ADF 检验判断是否需要差分：
from statsmodels.tsa.stattools import adfuller
result = adfuller(ts_data)
print('p-value:', result[1]) # p<0.05 则认为平稳如果 p 值 >0.05，就需要差分。通常先尝试 1 阶差分：
diff_1 = ts_data.diff().dropna()第二步：确定 p 和 q 参数
画出 ACF 和 PACF 图：
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
plot_acf(diff_1) # 看截尾点确定 q
plot_pacf(diff_1) # 看截尾点确定 p - ACF 拖尾 +PACF 截尾 → AR 模型
- ACF 截尾 +PACF 拖尾 → MA 模型
- 都拖尾 → ARMA 模型
第三步：建模训练
from statsmodels.tsa.arima.model import ARIMA
model = ARIMA(ts_data, order=(p,d,q)) # 填入前面确定的参数
result = model.fit()
print(result.summary()) # 查看模型系数和统计量第四步：模型诊断
检查残差是否符合白噪声：
residuals = pd.DataFrame(result.resid)
residuals.plot(kind='kde') # 查看分布
# Q- Q 图检验正态性
from scipy import stats
stats.probplot(residuals, plot=plt)第五步：预测可视化
# 未来 30 天的预测
forecast = result.get_forecast(steps=30)
# 绘制带置信区间的预测图
fig = ts_data.plot()
forecast.predicted_mean.plot(ax=fig)
fig.fill_between(forecast.conf_int().index,
forecast.conf_int().iloc[:,0],
forecast.conf_int().iloc[:,1], alpha=0.2)新手避坑指南
- 过差分识别
- 如果差分后数据的方差反而增大，说明可能过差分
-
检查 ACF 图：出现周期性振荡是过差分信号
-
季节性处理
- 在数据呈现明显周期性时（如每年 12 月销售高峰）
- 考虑使用 SARIMA 模型，增加季节性参数
思考与延伸
- 当数据出现突然的峰值或谷值（比如疫情期间的销量突变），可以考虑：
- 使用带外部变量的 ARIMAX 模型
-
对突变点前后数据分段建模
-
SARIMA 适合有明显季节性的数据，比如：
- 服装销售的季度性波动
- 旅游业的节假日效应
结语
通过这个完整的案例，我们从数据检查到预测可视化走完了 ARIMA 建模的全流程。建议新手先用简单数据（如每日气温记录）练习，再尝试应用到业务场景。记住：没有完美的模型，只有不断迭代优化的过程。
正文完
