问题标签 [pmdarima]

我使用具有季节性的 auto_arima 函数来预测 covid19 并得到 ARIMA(0,1,1)(2,0,2) 谁能解释每个参数 (p,d,q)(P,D,Q) 的原因？（例如：为什么 AR 为 0 而 SAR 为 2）

在函数中传递参数的值start_p应该使参数搜索从 4 开始，即4auto_arima()

(4,x,x)(x,x,x,x) 但它从 (0,x,​​x)(x,x,x,x) 开始，完全避免了参数4。

这是我运行代码后的样子-

auto_arima(df1['Births'],seasonal=False).summary()

SARIMAX 结果部门 变量：y 观察次数：120 模型：SARIMAX 对数似然 -409.745 日期：2021 年 8 月 23 日星期一 AIC 823.489 时间：06:55:06 BIC 829.064 样本：0 HQIC 825.753

• 120
  协方差类型：opg
  coef std err z P>|z| [0.025 0.975]截距39.7833 0.687 57.896 0.000 38.437 41.130 Sigma2 Sigma2 Sigma2 54.1197 8.319 6.506 0.000 37.815 70.424 ljung-box（l1）（l1）（l1）（L1）（Q）：0.85 Jarque-Bera（0.85 Jarque-bera（JB）：2.69（Q）：2.69（Q）：Q）： (H)：0.80 偏斜：0.26 Prob(H)（两侧）：0.48 峰度：2.48

警告：[1] 使用梯度外积计算的协方差矩阵（复步）。auto_arima(df1['Births'],seasonal=False) auto_arima(df1['Births'],seasonal=False)

我试图通过使用 auto_arima 并添加傅里叶项作为外生特征来预测 Python 中的时间序列。数据来自 kaggle 的商店商品需求预测挑战。它由 10 家商店和 50 个商品的长格式时间序列组成，从而导致 500 个时间序列相互堆叠。该时间序列的特殊性在于它具有具有每周和每年季节性的每日数据。

为了捕捉这两个级别的季节性，我首先使用了 Rob J Hyndman 在预测中推荐的 TBATS，其每日数据实际上效果很好。

我还关注了 TBATS python 库的创建者发布的这篇中篇文章，他将它与 SARIMAX + Fourier 项（也是 Hyndman 推荐的）进行了比较。

但是现在，当我尝试将第二种方法与 pmdarima 的 auto_arima 和 Fourier 项作为外生特征一起使用时，我得到了意想不到的结果。

在下面的代码中，我只使用了我拆分为训练数据和测试数据（去年用于预测）的 train.csv 文件，并设置了傅里叶项的最大阶数 K = 2。

我的问题是我获得了一个平滑的预测（见下图），它似乎没有捕捉到与本文末尾的结果不同的每周季节性。我的代码有问题吗？

完整代码：

提前感谢您的回答！

我有以下代码片段：

它在堆栈跟踪的最后一行失败：

由于 中没有 NaN 或无限值ts，而且我不确定这个auto_arima函数返回什么或为什么它返回带有 NaN/inf 的东西，我不确定如何调试它。任何帮助，将不胜感激。

我发现了一些事情：

• aNaN导致了这个问题——我打印出了引发这个错误的东西的值
• 当我让auto_arima函数 print 它在做什么时（通过设置 kwarg trace=True），它看起来正在工作：

我可以使用 SARIMA 模型拟合一些数据pmdarima。

我可以根据这些数据进行预测，甚至可以查看样本内预测，从中可以计算残差。

但 SARIMA 只是一个数学模型（据我所知）。所以我希望能够使用拟合的模型参数来完全预测其他一些系列。我可以这样做吗？

例如：

我对python还是很陌生，我不知道该怎么做：

我有一个带有两列的熊猫数据框（数据）：日期和值（整数）。我将此数据框输入一个auto_arima方法。

我的目标是绘制实际值并重叠模型将生成的值，以便比较两条线。然而，我的predict方法只给了我十个值。

如果我设置：

它给了我一个错误，说

我怎样才能做到这一点？也许还有另一种方法，而不是使用predict绘制正确的值？

我无法理解 auto_arima 如何计算袋外错误。

如果我理解正确，它应该使用最后一个out_of_sample_size数据点来计算它，但是如果我手动计算该数据的均方误差，我会得到不同的结果，请参阅 MWE：

输出

为什么两个 MSE 不同？

（我使用了这种predict_in_sample方法，因为应该在最后一个无袋样本之后predict给出预测）。

我想知道 ARIMA 模型的订单 (p,d,q)，所以我必须使用pmdarimapython 包。但它推荐我SARIMAX模型！继续阅读以获取更多详细信息。为此，
我使用了每日女性出生总数数据。这是一个平稳的时间序列。

然后它给了我这个：

问题是虽然我设置seasonal=False了但它给了我 SARIMAX （代表季节性自回归独立移动平均线）但我不想考虑季节性分量，所以我设置了seasonal=False！好像pmdarima没注意seasonal=False！

有人可以帮我找出问题所在吗？

预期结果：

对于False 结果： SARIMAX结果来自pmdarima版本True 结果：ARIMA 结果来自版本1.8.3
pmdarima1.1.0

我正在尝试优化我的 sarimax 模型，但在尝试使用 GridSearchCV 参数函数时遇到了困难，您能帮帮我吗？我想为我的模型制作多个模型的网格：