Python/Pandas - 如何调整auto_arima模型参数以获得未来预测

Question

Python 3.6

我的数据集如下：

这是旅游预订，比如说旅游公司，例如航空公司/火车/公共汽车等

date           bookings
2017-01-01     438
2017-01-02     167
...
2017-12-31     45
2018-01-01     748
...
2018-11-29     223

我需要这样的数据（即数据集之外的预测数据）：

^{pr2}$

代码：

import pyodbc
import pandas as pd
import cufflinks as cf
import plotly.plotly as ply
from pmdarima.arima import auto_arima

sql_conn = pyodbc.connect(# connection details here)
query = #sql query here
df = pd.read_sql(query, sql_conn, index_col='date')
df.index = pd.to_datetime(df.index)

stepwise_model = auto_arima(df, start_p=1, start_q=1,
                           max_p=3, max_q=3, m=7,
                           start_P=0, seasonal=True,
                           d=1, D=1, trace=True,
                           error_action='ignore',  
                           suppress_warnings=True, 
                           stepwise=True)
stepwise_model.aic()

train = df.loc['2017-01-01':'2018-06-30']
test = df.loc['2018-07-01':]

stepwise_model.fit(train)
future_forecast = stepwise_model.predict(n_periods=len(test))
future_forecast = pd.DataFrame(future_forecast,
                               index=test.index,
                               columns=['prediction'])
pd.concat([test, future_forecast], axis=1).iplot()

结果

正如您所看到的，预测离我们很远，我假设问题是没有使用正确的auto_arima参数。获得这些参数的最佳方法是什么？我也许可以反复试验，但最好能了解标准/非标准程序以获得最佳拟合。在

任何帮助都将不胜感激。在

资料来源：

• https://medium.com/@josemarcialportilla/using-python-and-auto-arima-to-forecast-seasonal-time-series-90877adff03c
• https://github.com/Pierian-Data/AutoArima-Time-Series-Blog/blob/master/Forecasting%20a%20Time%20Series%20in%20Python.ipynb

Answer 1

你在2018年8月左右会有一次结构性休息，但你的训练只会持续到2018年7月。ARIMA（或任何单变量时间序列方法）永远无法预测结构破裂。您必须扩展您的培训数据集，以包括2018年8月和9月的数值。在

请参阅the first section of this blog post以更好地理解发生这种情况的原因。在