时间戳

首页 > 解决方案 > SARIMA模型订单

time-series - SARIMA模型订单

问题描述

我正在对具有 ACF 和 PACF 图的数据集使用 SARIMA 模型 (1,1,1)(2,1,1,96)，如下所示： ACF 图的数据集 PACF 图的数据集

使用上述模型后，我查看了 ACF 和 PACF 图以确保我已经涵盖了所有依赖项；但是，ACF 和 PACF 图在滞后 96 处显示出很大的值。如果我能得到一些关于我应该对我的 SARIMA 模型订单进行修改的帮助，我将不胜感激。请考虑我的数据具有每日季节性，因为它是 15 分钟数据，所以 S=96。

拟合模型后的 ACF 和 PACF 图

谢谢，

标签： time-seriesstatsmodelsarima

解决方案

您可以使用pmdarima 包中的 auto_arima 函数来迭代订单组合并根据 AIC 分数获得最佳值。您已经确定了查看 acf 和 pacf 图的季节性和非季节性订单。您可以使用这些订单作为起始参数。

import pmdarima as pm
from sklearn.metrics import mean_squared_error
model = pm.auto_arima(<train_data>,error_action="ignore", suppress_warnings = True,
                         seasonal = True,
                         m = 96,
                         start_p = 1,start_q = 1,d=1,
                         start_P = 2,start_Q = 1,D=1,
                         max_p = 12,max_q = 12,max_d=2,
                         max_P = 4,max_Q = 4,max_D = 2,
                         test='adf', #use adf test
                         information_criterion='aic', #AIC or BIC
                         stepwise = False, trace = False)

之后，您可以使用plot_diagnostics函数获取模型诊断

model.plot_diagnostics(figsize=(8,8))

您还可以从汇总函数中获取 Ljung-Box和Jarque-Bera统计数据，以检查残差分布和残差相关性。

model.summary()

推荐阅读