ADF Test Statistic : -7.626619157213163

p-value : 2.060579696813685e-11

#Lags Used : 0

Number of Observations : 92

这里p值是2.06 ， 表示拒绝零假设 。 所以数据是平稳的 。

文章图片

自相关系数：

1. autocorrelation_plot(df['销量'])
2. plt.show()

文章图片

plot_acf(df['季节性一阶差分'].dropna(),lags=40,ax=ax1)

文章图片


文章图片

建立ARIMA模型

1. #对于非季节性数据
2. #p=1, d=1, q=0 or 1
3. model=ARIMA(df['销量'],order=(1,1,1))

文章图片

predict(start=90,end=103,dynamic=True)

文章图片

SARIMA模型然后建立SARIMA模型

1. plot(figsize=(12,8))

文章图片

可以看到拟合效果要优于ARIMA模型 。
然后我们用SARIMA模型对未来进行预测 。

1. future_df['预测'] = results.predict(start = 104, end = 120, dynamic= True)
2. future_df.plot(figsize=(12, 8))

文章图片

结论 时间序列预测是非常有用的 ， 有很多其他模型可以做时间序列预测 ， 但ARIMA是很容易理解的 。

文章图片

最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析
3.使用r语言进行时间序列（arima ， 指数平滑）分析
4.r语言多元copula-garch-模型时间序列预测
5.r语言copulas和金融时间序列案例
6.使用r语言随机波动模型sv处理时间序列中的随机波动
7.r语言时间序列tar阈值自回归模型
8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类
9.python3用arima模型进行时间序列预测