使用statsmodels库来拟合ARIMA模型示例代码.rar

import pandas as pd import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.arima.model import ARIMA from sklearn.metrics import mean_squared_error # 假设你有一个时间序列数据，存储在DataFrame的'value'列中 # 例如，这里我们生成一个示例时间序列数据 np.random.seed(0) date_rng = pd.date_range(start='1/1/2020', end='1/01/2023', freq='D') df = pd.DataFrame(date_rng, columns=['date']) df['value'] = np.random.randn(len(df)).cumsum() # 累积和生成一个趋势时间序列 df.set_index('date', inplace=True) # 拆分训练集和测试集 train_size = int(len(df) * 0.8) train, test = df[:train_size], df[train_size:] # 拟合ARIMA模型 # 这里我们假设p=1, d=1, q=1，但在实际应用中你应该根据ACF和PACF图来确定这些参数 model = ARIMA(train, order=(1, 1, 1)) model_fit = model.fit() # 打印模型摘要 print(model_fit.summary()) # 预测测试集 start_index = test.index[0] end_index = test.index[-1] predictions = model_fit.predict(start=start_index, end=end_index, typ='levels') # 计算均方误差（MSE） mse = mean_squared_error(test['value'], predictions) print(f'Mean Squared Error: {mse}') # 可视化结果 plt.figure(figsize=(12, 6)) plt.plot(train.index, train['value'], label='Train') plt.plot(test.index, test['value'], label='Test') plt.plot(test.index, predictions, label='Predictions', color='red') plt.legend(loc='best') plt.show()