时间序列预测实战：ARIMA模型与随机森林的对比与融合

1次阅读

共计 1966 个字符，预计需要花费 5 分钟才能阅读完成。

时间序列预测在现实中有广泛的应用场景，比如电商需要预测未来销量来优化库存管理，运维团队需要预测服务器负载来提前扩容。但对新手来说，选择合适的模型和方法往往令人头疼。

主要挑战包括：

如何从原始时间序列中提取有效特征
如何选择合适的模型参数
如何处理数据中的噪声和异常值
如何评估模型的实际预测效果

我们先来看 ARIMA 和随机森林的核心特性对比：

特性	ARIMA	随机森林
模型类型	线性	非线性
擅长领域	趋势、季节性	复杂模式、抗噪声
输入要求	需平稳序列	可处理原始数据
参数调优	p,d,q 参数	树数量、深度等
计算复杂度	中等	较高
可解释性	较好	较差
自动特征工程	无	内置

# 导入必要库
import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.stattools import adfuller

# 数据加载
data = pd.read_csv('timeseries.csv', parse_dates=['date'], index_col='date')

# ADF 检验平稳性
result = adfuller(data['value'])
print('ADF Statistic: %f' % result[0])
print('p-value: %f' % result[1])

# 如果 p >0.05，需要进行差分
if result[1] > 0.05:
    data['value'] = data['value'].diff().dropna()

# 训练 ARIMA 模型
model = ARIMA(data['value'], order=(2,1,2))  # p,d,q 参数
model_fit = model.fit()

# 预测未来 5 个点
forecast = model_fit.forecast(steps=5)
print(forecast)

from sklearn.ensemble import RandomForestRegressor

# 创建滞后特征
for i in range(1, 4):
    data[f'lag_{i}'] = data['value'].shift(i)

data = data.dropna()

# 划分训练测试集
X = data[['lag_1', 'lag_2', 'lag_3']]
y = data['value']

# 训练随机森林
rf = RandomForestRegressor(n_estimators=100, max_depth=5)
rf.fit(X, y)

# 特征重要性分析
importances = rf.feature_importances_
for i, imp in enumerate(importances):
    print(f'Feature lag_{i+1}: {imp:.2f}')

我们可以通过加权平均来结合两种模型的优势：

# 获取两个模型的预测结果
arima_pred = model_fit.predict(start=len(data), end=len(data)+4)
rf_pred = rf.predict(X.tail(5))

# 加权平均融合
final_pred = 0.7 * arima_pred + 0.3 * rf_pred

或者使用更高级的 stacking 方法：

from sklearn.ensemble import StackingRegressor

# 定义基模型
estimators = [('arima', ARIMA(data['value'], order=(2,1,2))),
    ('rf', RandomForestRegressor(n_estimators=100))
]

# 定义元模型
stacking = StackingRegressor(
    estimators=estimators,
    final_estimator=LinearRegression())