SARIMA vs. ARIMA: porovnání předpovědí

V tomto cvičení uvidíš, jaký vliv má použití modelu SARIMA místo ARIMA na předpovědi sezónních časových řad.

Na časovou řadu zaměstnanosti ve Wisconsinu byly natrenovány dva modely: ARIMA(3,1,2) a SARIMA(0,1,1)(1,1,1)\(_{12}\). Podle kritéria AIC se jednalo o nejlepší dostupný model ARIMA a nejlepší dostupný model SARIMA.

Pomocí obou modelů sestavíš dynamickou předpověď na 25 měsíců dopředu a vynesete ji do grafu společně s testovacími daty wisconsin_test, která jsi ze tréninku vynechal/a.

Natrénované výsledky modelu ARIMA a SARIMA jsou dostupné v prostředí jako arima_results a sarima_results.

Toto cvičení je součástí kurzu

ARIMA modely v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vytvoř objekt předpovědi arima_pred pro model ARIMA tak, aby pokrýval dalších 25 kroků po konci trénovacích dat.
Z objektu arima_pred vyextrahuj atribut .predicted_mean a ulož ho do proměnné arima_mean.
Zopakuj předchozí dva kroky pro model SARIMA.
Vykresli předpovědi modelů SARIMA a ARIMA společně s testovacími daty wisconsin_test.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create ARIMA mean forecast
arima_pred = arima_results.____
arima_mean = arima_pred.____

# Create SARIMA mean forecast
sarima_pred = sarima_results.____
sarima_mean = ____

# Plot mean ARIMA and SARIMA predictions and observed
plt.plot(dates, sarima_mean, label='SARIMA')
plt.plot(dates, arima_mean, label='ARIMA')
plt.plot(wisconsin_test, label='observed')
plt.legend()
plt.show()

Upravit a spustit kód