ARIMA参数自动获取

最新推荐文章于 2025-05-26 16:27:36 发布

原创

最新推荐文章于 2025-05-26 16:27:36 发布 · 9k 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#ARIMA #时间序列 #数学建模 #pdq参数自动获取

本文介绍了在训练ARIMA模型时如何自动获取p、d、q参数的方法。传统方法包括肉眼识别和根据p-value判断，但有更好的自动化方式。方法一是通过编写网格搜索算法寻找最小误差；方法二是利用pmdarima库，该方法虽然方便但速度较慢。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我们在训练ARIMA模型的时候经常会有这的疑问，p,d,q值如何获取，尤其是d。许多教程教了肉眼识别法（我可去你的）,也有根据p-value来判断的，那么有没有更好的方法自动获取p,d,q的值能，当然有

方法一：自己编写一些网格搜索(暴力搜索)的轮子(for循环),根据mse,rmse或者bic,aic等值的最小值获取，pdq的值，这里就不实现这个轮子了

方法二：当然是调库了…
首先，安装库:pip install pmdarima
然后,使用它

from pyramid.arima import auto_arima
# data为你的数据,设置p,q的范围,和起点,设置d值,设置是否使用季节性,然后run....
stepwise_model = auto_arima(data, start_p=1, start_q=1,
                           max_p

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

向前走别回头

关注关注

4
点赞
踩
26

收藏

觉得还不错? 一键收藏
12
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

时间序列分析之auto_arima自动调参

Andy_shenzl的博客

01-03

1534

一般的流程需要先根据平稳性来确认差分的阶数d，然后根据平稳序列来观察ACF图和PACF图来确认p和q，当然中间还要根据网格训练查看AIC的值来确认，真个过程非常复杂，而且结果还不一定准确；max_p、max_q根据观察图给定一个上限，模型自行Fit，如果自己不去查看ACF和PACF图，随意写一个比较大的值，也是可以的，但是时间成本比较高；start_P、max_P、start_Q、max_Q，只能手动赋值了，如果有知道这个周期性P和Q的定阶方法的大佬请说一下。可以帮助我们进行定阶，确认模型的参数。

自动 ARIMA 超参数搜索

gongdiwudu的专栏

11-19

5538

在这篇博客中，我将介绍自动搜索 (S)ARIMA 预测模型关键参数的方法。我们将在 (S)ARIMA 预测模型中调整的超参数是季节性参数 (S)、自回归参数 (AR)、差分参数 (I) 和移动平均值 (MA)。如果需要，您可以在我之前的博客中阅读有关此参数的更多信息

12 条评论您还未登录，请先登录后发表或查看评论

在R网格搜索与自动Arima中设置Arima模型参数

weixin_26730921的博客

08-19

1949

总览 (Overview) One of the most popular ways of representing and forecasting time series data is through Autoregressive Integrated Moving Average (ARIMA) models. These models are defined by three param...

时序模型介绍

热门推荐

weixin_39593593的博客

11-27

3万+

ARIMA 是 AutoRegressive Integrated Moving Average的简称，看起来很复杂，其实这个模型本身是多个模型的叠加或者说混合； AR: 自相关模型(AutoRegressive)MA: 移动平均模型(Moving Average)I：差分的逆过程(差分的逆过程)一般我们表达为：ARIMA(p,d,qp,d,q) 模型，其中：p=p=自回归模型阶数d=d...

使用Python实现ARIMA模型时，选择合适的p、d、q参数十分关键

07-21

2906

它们可以帮助我们选择合适的p、q值，而d值则可以通过比较原始时间序列和差分时间序列的稳定性来确定。使用Python实现ARIMA模型时，选择合适的p、d、q参数十分关键。本文将介绍一种基于时间序列分析和统计学方法的ARIMA参数选择方法，并提供相应的Python代码。以上就是基于时间序列分析和统计学方法的ARIMA参数选择方法和相应的Python代码。当然，这只是一个简单的例子，实际应用中还需要根据具体问题和数据进行调整和优化。接下来，我们来看一个简单的例子，假设我们要预测某城市未来一周的气温。

python时间序列数据预测教程之 arima

胡椒面er

04-14

1万+

最近接触时间序列较多，在借鉴很多人的知识之后，特此总结一下。目前关于时间序列数据分析预测大致有三种主流方法： 1、ARIMA系列方法 2、facebook开源的Prophet模型 3、LSTM时间序列预测本系列将用python进行实现并做出总结。首先，本文项目中所用数据为近一段时间内，间隔30分钟采样的气象数据（包括温度、湿度、风速、风向等数据）。在本文的理解中，arima方法仅支持单变量预测...

基于python的时间序列案例-案例-基于自动PDQ值的ARIMA时间序列预测应用

weixin_37988176的博客

10-30

1363

arima模型 p q d 确定_从ARMA到ARIMA学习笔记（含代码）

weixin_39933082的博客

11-27

5869

新手学习笔记以下全部内容为本人上课的整理，可能有错误，烦请各路大佬指教。从ARMA到ARIMAARMA用于处理平稳非白噪声时间序列数据。ARMA(p,q)由AR(p)model和MA(q)model组合而成，具体原理见Goodnotes。下面讲应用和代码平稳型判断：由AR部分到平稳型判断构成，手算可以用平稳域判断和单位根判断纯随机性：ACF拖尾性，PACF截尾性MA可逆性跟AR平稳型判断方法一样...

机器学习经典算法----时间序列模型ARIMA

Chinge

09-29

4252

文章目录模型平稳性与差分法平稳性差分法ARIMA模型 [^1][^2][^3]AR模型MA模型ARMA模型相关函数评估法建立ARIMA模型参数选择模型平稳性与差分法平稳性平稳性要求样本具有一定的“周期”规律，以保证样本在未来一段时间内仍能顺着现有的状态“惯性”地延续下去。只有对于有规律可循的样本，我们才能通过手段对其预测。平稳性要求时间序列上的样本的均值和方差不能发生明显变化。平...

R语言拟合ARIMA模型：使用forecast包中的auto.arima函数自动搜索最佳参数组合、模型阶数（p,d,q）、设置seasonal参数指定在模型中是否包含季节信息

statistics+insight+vista+power

08-01

814

R语言拟合ARIMA模型：使用forecast包中的auto.arima函数自动搜索最佳参数组合、模型阶数（p,d,q）、设置seasonal参数指定在模型中是否包含季节信息

arima模型 p q d 确定_时间序列中p,d,q的确定

weixin_39527487的博客

11-22

2万+

最近做了一个公众号粉丝数量增长预测，用到了ARIMA模型，本科虽然学过但始终是止于皮毛，很多东西并没有真正理解，借此机会也重新学习了一遍。时间序列其实就是按照时间的顺序把随机事件变化发展过程记录下来，并对它进行观察、研究，寻找变化发展的规律，预测它将来的走势。所以说，ARMA模型就是拿来预测。而ARIMA模型与ARMA模型唯一的区别就在时间序列是否平稳，如果不平稳，则需要做一、二三或者更多阶差分，...

怎么提高auto.arima函数自动定阶的阶数

05-03

Auto.arima函数是一个自动化的时间序列模型选择工具，它尝试在给定数据集上找到最好的ARIMA模型。在自动选择ARIMA模型时，auto.arima函数会自动选择最优的阶数。然而，有时候自动选择的阶数可能不够准确，需要手动调整以获得更好的结果。以下是一些可以提高auto.arima函数自动定阶的阶数的方法： 1. 增加训练数据量：auto.arima函数会尝试在给定的数据集上选择最优的ARIMA模型，如果数据量太少，则可能无法找到最优的模型。因此，增加训练数据量可能有助于提高auto.arima函数的性能。 2. 确定季节性：如果时间序列数据具有季节性，则可以通过设置seasonal参数来告诉auto.arima函数该时间序列数据的季节性周期。这可以帮助auto.arima函数更准确地选择最优的ARIMA模型。 3. 调整参数范围：auto.arima函数具有许多可调参数，包括p、d、q、P、D、Q等。可以通过将这些参数的范围扩大来提高auto.arima函数选择最优模型的准确性。 4. 手动指定初始参数值：auto.arima函数默认使用一些初始参数值来开始搜索最优模型。通过手动指定初始参数值，auto.arima函数可以更快地找到最优模型。 5. 使用其他算法：除了auto.arima函数外，还有其他一些算法可以用于自动选择时间序列模型，如Prophet、TBATS、STL等。尝试使用其他算法来比较结果，可能可以提高选择最优模型的准确性。