auto.arima（）等价于python

Question

我试图用ARMA模型来预测周销售额。我在statsmodels中找不到用于调整顺序（p，d，q）的函数。目前R有一个函数forecast::auto.arima()，它将调整（p，d，q）参数。

如何为我的型号选择正确的订单？python中是否有用于此目的的库？

Answer 1

我编写这些实用函数是为了直接计算pdq值 get_PDQ_parallel需要三个输入数据，这些数据是以时间戳（datetime）为索引的序列。n_作业将提供并行处理器的数量。输出将是索引中aic和bic值为order=（P，D，Q）的数据帧 p和q的范围是[0,12]，而d是[0,1]

import statsmodels 
from statsmodels import api as sm
from sklearn.metrics import r2_score,mean_squared_error
from sklearn.utils import check_array
from functools import partial
from multiprocessing import Pool
def get_aic_bic(order,series):
    aic=np.nan
    bic=np.nan
    #print(series.shape,order)
    try:
        arima_mod=statsmodels.tsa.arima_model.ARIMA(series,order=order,freq='H').fit(transparams=True,method='css')
        aic=arima_mod.aic
        bic=arima_mod.bic
        print(order,aic,bic)
    except:
        pass
    return aic,bic

def get_PDQ_parallel(data,n_jobs=7):
    p_val=13
    q_val=13
    d_vals=2
    pdq_vals=[ (p,d,q) for p in range(p_val) for d in range(d_vals) for q in range(q_val)]
    get_aic_bic_partial=partial(get_aic_bic,series=data)
    p = Pool(n_jobs)
    res=p.map(get_aic_bic_partial, pdq_vals)  
    p.close()
    return pd.DataFrame(res,index=pdq_vals,columns=['aic','bic']) 

Answer 2

您可以实现多种方法：

1. ^{}包括aic和bic。根据它们的定义（参见here和here），这些标准会惩罚模型中参数的数量。所以你可以用这些数字来比较模型。scipy还有^{}在指定的参数空间上进行网格搜索。所以这样的工作流应该可以工作：

   def objfunc(order, exog, endog):
       from statsmodels.tsa.arima_model import ARIMA
       fit = ARIMA(endog, order, exog).fit()
       return fit.aic()
   
   from scipy.optimize import brute
   grid = (slice(1, 3, 1), slice(1, 3, 1), slice(1, 3, 1))
   brute(objfunc, grid, args=(exog, endog), finish=None)
   

   确保用finish=None调用brute。

2. 您可以从ARIMAResults获得pvalues。因此，当模型的阶数在整个维数上增加时，对于增加的参数，得到的p值最小，这样一种步进算法易于实现。

3. 使用^{}交叉验证替代模型。最好的方法是将时间序列的尾部（比如最近5%的数据）保留在样本之外，并使用这些点获得拟合模型的检验误差。

Answer 3

现在有一个合适的python包来完成auto arima。https://github.com/tgsmith61591/pmdarima

文件： http://alkaline-ml.com/pmdarima

示例用法：https://github.com/tgsmith61591/pmdarima/blob/master/examples/quick_start_example.ipynb