问题标签 [arima]

我正在尝试将 tbats 模型应用于时间序列数据。此数据框包含 到 范围内的0值1。在应用模型之前，我用NA's 替换了所有 0 值（因为我想获取数据集的日志并且 0 值的日志将给出 -inf），然后获取所有值的日志以准备数据帧TBATS。

完成上述所有更改后，数据框如下所示：

它在数据中有 1000 多行。

在上面的数据框中，我TBATS使用以下代码应用了模型：

我收到如下错误：

属性错误（best.model$errors）<-属性（origy）：暗淡[产品1435]与对象的长度不匹配[236]

请帮我解决这个问题。auto.arima()在这个数据集中工作得很好。

我会使用（Statsmodels）ARIMA 来预测一系列值：

我以为我会从这两个图中得到相同的结果，但我得到了这个：

我会知道问题是否与预测或预测有关

问题描述：CPU利用率预测。
方法：使用时间序列算法。

第 1 步：我从 Elasticsearch 收集了 1000 个观察结果并在 Python 上导出。

第2步：绘制数据并检查数据是否静止。

第 3 步：使用 log 将数据转换为固定形式。

第4步：完成DF测试，ACF和PACF。

第 5 步：构建ARIMA(3,0,2)模型。

第 6 步：预测。

我建立了一个ARIMA (3,0,2)时间序列模型，但无法找到模型的准确性。是否有任何命令可以让我们检查 Python 中模型的准确性？

您能否建议我的方法是否正确以及如何在 Python 中找到模型的准确性？

我正在尝试使用 mtsdi 包对 R 中丢失的数据进行插补。我正在尝试比较 3 个模型之间的插补性能-> 样条、arima 和 gam。

splines 方法对我有用，但是当我尝试使用 arima 的相同方法时，它会引发“系统在计算上是奇异的”错误。

我使用的是相同的数据，并且通过将所有 arima 模型指定为 1,0,0，在我的 arima 模型中略有作弊。我打算稍后改变这个。

这可能是错误的原因吗？

这是我的数据的 dput (Imputation_Test)，下面是我用于样条线和 arima 模型的代码。

Imputation_Test <- ts(Imputation_Test,frequency = 96)

下面的代码改编自一个相关的问题，我从来没有让它工作过。

暴力破解时抛出异常：

我在这里阅读了有关此问题的帖子，但没有发现它很有帮助。

说到季节性，有人建议使用 X13as 来自动处理。有什么指示吗？

无论如何，我迫切需要一个关于 ARIMA in Python 的坚如磐石的例子。应该不会那么痛吧？

我使用这种形成的熊猫数据框 在此处输入图像描述

而且，我的代码在这里。

错误日志是这样的：

model = ARIMA(temp, order= (5,1,0)) 文件“C:\pyhome\lib\site-packages\statsmodels\tsa\arima_model.py”，第 965 行，在新 mod 中。init (endog, order, exog, dates, freq, missing) 文件“C:\pyhome\lib\site-packages\statsmodels\tsa\arima_model.py”，第 984 行，在init self.data.ynames = 'D. ' + self.endog_names TypeError: 无法将“list”对象隐式转换为 str 进程返回非零退出代码 1

所以，我想使用 ARIMA ......但我找不到正确的解决方案......请帮助我。

我正在尝试使用 auto.arima 函数将模型拟合到我的数据集，但我收到一条错误消息no suitable ARIMA model found，我怀疑该错误消息可能归因于我为该xreg部分传递的内容。我的数据集包含 1176 个总观察值，包括 1 个我试图预测的变量，其余是我试图作为回归量传递给 auto.arima 的虚拟变量（假期、一周中的几天等）。

如果我尝试运行它，我会收到上述错误消息。如果我没有传递任何东西，我确实得到了一个拟合模型xreg，但拟合值或远不接近实际值。我应该提到 train.r 确实已经有列名。那么我做错了什么？我如何成功地通过回归器以希望我的模型更准确？

我正在比较 R (3.3.1) 预测包 (7.3) 和 Python (3.5.2) statsmodels (0.8) 之间的 SARIMAX 拟合结果。

R代码是：

Python代码是：

引发错误：ValueError：发现enforce_stationarity设置为 True 的非平稳起始自回归参数。

如果我将enforce_stationarity（和enforce_invertibility，这也是必需的）设置为False，则模型拟合有效，但AIC 非常差（> 1400）。

对相同的数据使用其他一些模型参数，例如 ARIMA(0,1,1)(0,0,1)[12] 我可以从 R 和 Python 获得相同的结果，并在 Python 中启用平稳性和可逆性检查。

我的主要问题是：什么解释了某些模型参数的行为差异？statsmodels 的可逆性检查是否与预测的 Arima 不同，另一个是否“更正确”？

我还发现了一个与修复 statsmodels 中的可逆性计算错误相关的拉取请求：https ://github.com/statsmodels/statsmodels/pull/3506

使用来自 Github 的最新源代码重新安装 statsmodels 后，我仍然得到与上面代码相​​同的错误，但是设置 enforce_stationarity=False 和 enforce_invertibility=False 我得到的 aic 约为 1010，低于 R 的情况。但模型参数也有很大不同。

我有一个简单的示例时间序列：

数据：

然后我运行了 4 个不同的时间序列预测模型：Holt Winters 平滑、TBATS 平滑、ARIMA 和具有以下功能的 AR 神经网络：HoltWinters()、tbats()、auto.arima()、nnetar()

我预测了 36 个时期（3 年）。结果如下：

我的问题是为什么 HoltWinters 似乎是唯一有意义的预测。我有足够的数据得到所有其他预测的平线似乎很奇怪。就像有什么东西坏了，或者我不理解什么东西。特别是因为 TBATS 是 Holt Winters 的广义形式。只看系列 ARIMA 应该输出比平均平均值更多的东西吗？正确的？(1,1,1) 甚至暗示它考虑了差异。此外，没有一个模型似乎失败并返回一个空模型。很好奇为什么我会看到这些结果以及如何解释。

非常感谢任何帮助或解释！

顺便说一句，需求是一个ts对象。

下面是我的代码：

我第一次使用线程库来加快我的 SARIMAX 模型的训练时间。但是代码一直失败并出现以下错误

以下是我的代码：

我想提几点：

• 数据是数据框中的每日股票时间序列
• 线程适用于 ARIMA 模型
• SARIMAX 模型在 for 循环中完成时有效

任何见解将不胜感激，谢谢！