[PYTHON] Zeitreihenanalyse 4 Konstruktion des SARIMA-Modells

Aidemy　2020/10/29

Einführung

Hallo, es ist ja! Ich bin eine knusprige Literaturschule, aber ich war an den Möglichkeiten der KI interessiert, also ging ich zur KI-Fachschule "Aidemy", um zu studieren. Ich möchte das hier gewonnene Wissen mit Ihnen teilen und habe es in Qiita zusammengefasst. Ich freue mich sehr, dass viele Menschen den vorherigen zusammenfassenden Artikel gelesen haben. Vielen Dank! Dies ist der vierte Beitrag in der nächsten Serienanalyse. Freut mich, dich kennenzulernen.

• Dieser Artikel ist eine Zusammenfassung dessen, was Sie in "Aidemy" "in Ihren eigenen Worten" gelernt haben. Es kann Fehler und Missverständnisse enthalten. Bitte beachten Sie.

Was diesmal zu lernen ・ Konstruktion des SARIMA-Modells

Über das SARIMA-Modell

-Das __SARIMA-Modell __ ist ein Modell, bei dem ARIMA (p, d, q), das Daten in eine Stufendifferenzreihe konvertiert, auch für Zeitreihen mit einem __ saisonalen Zyklus verwendet werden kann. -Das SARIMA-Modell hat einen Parameter namens __SARIMA (sp, sd, sq, s) __.

sp,sd,sq -__ Sp, sd, sq__ werden __ "saisonale Autokorrelation", "saisonale Ableitung" und "saisonaler gleitender Durchschnitt" __ genannt und sind im Grunde die gleichen wie p, d, q von ARIMA. ・ Es wurde hinzugefügt, dass die Daten von sp, sd und sq von den Daten der vergangenen Saisonperiode beeinflusst werden. -Der andere Parameter von SARIMA, __ "s" __, repräsentiert den Saisonzyklus __. Wenn es sich um einen 12-Monats-Zyklus handelt, sollte s = 12 eingestellt werden. -Für sq gibt es an, wie viele Zyklen vor der betroffenen "vergangenen Saisonperiode" liegen.

Parameter bestimmen

-Es ist notwendig, die entsprechenden Werte für die oben genannten Parameter zu überprüfen. ・ Zu diesem Zeitpunkt wird __Informationsmenge Standard __ verwendet. Dieses Mal werde ich __ "BIC" __ verwenden. Diesmal werden wir uns jedoch nicht im Detail damit befassen. ・ Je niedriger der BIC-Wert, desto geeigneter der Parameterwert.

Visualisierung des Autokorrelationskoeffizienten / partiellen Autokorrelationskoeffizienten

-__ Partielle Autokorrelation __ ist __ mit dem Einfluss von Daten zwischen den beiden Werten, die Autokorrelation durchführen __.

• Zum Beispiel wird die partielle Autokorrelation zwischen y1 und y7 erhalten, indem der Einfluss von y2 auf y6 zwischen ihnen entfernt wird.
• Durch Visualisierung dieser partiellen Autokorrelation wird der optimale Wert von __ Parameter "s" gesetzt __. -Wenn visualisiert, wird der Wert der partiellen Autokorrelation im __period-Teil hoch, daher sollte dies der Wert von s sein.

・ Die Visualisierung (grafische Darstellung) der partiellen Autokorrelation erfolgt wie folgt. __sm.graphics.tsa.plot_pacf (Daten) __

・ Code (Visualisierung der Korrelation von Weinverkaufsdaten)

・ Ergebnis

-Konstruktionsverfahren (1) __ Daten lesen __: pd.read_csv () (2) __ Datenorganisation __: pd.date_range () (3) __ Datenvisualisierung __: sm.graphics.tsa.plot_pacf () (4) __ Datenzyklus (e) ) Greife __: Von ④. ⑤ Andere Parametereinstellungen als __s __: Mit BIC erfassen

• Neuer Teil von hier-- ⑥ __ Modellbau __: __ sm.tsa.statespace.SARIMAX (). Fit () __ ⑦ __Datenvorhersage / -visualisierung __: __ prognostizieren () __ / plt.show ()

・ ⑥ Die Argumente von SARIMAX () für den Modellbau lauten wie folgt. __SARIMAX (Daten, Reihenfolge = (p, d, q), saisonale Reihenfolge = (sp, sd, sq, s)) __

・ ⑦ Die Vorhersage () der Datenvorhersage ist wie folgt. Nur der Beginn der Vorhersage muss die Zeit in den Zeitreihendaten sein. __ Model.predict ("Zu Beginn der Vorhersage", "Am Ende der Vorhersage") __

・ Eine Reihe von Codeausführungen (⑤ wird nicht durchgeführt)

・ Ergebnis

Zusammenfassung

-__ SARIMA-Modell__ ist ein Modell, mit dem ARIMA (p, d, q) Daten in eine Differenzreihe konvertiert, die auch mit Zeitreihen mit einem saisonalen Zyklus kompatibel ist. -Das SARIMA-Modell hat die Parameter __ (sp, sd, sq, s) __. ・ Überprüfen Sie für sp, sd und sq die entsprechenden Werte mithilfe des __Informationsmengenstandards __ namens BIC. ・ S wird untersucht, indem __partielle Autokorrelation __ aufgetragen wird.

• Übergeben Sie diese Parameter an __sm.tsa.statespace.SARIMAX (). Fit () __, um ein Modell zu erstellen und Vorhersagen mit __predict () __ zu treffen.

Diese Zeit ist vorbei. Vielen Dank für das Lesen bis zum Ende.