LoslegenKostenlos loslegen

SARIMA- vs. ARIMA-Vorhersagen

In dieser Übung siehst du, welchen Effekt ein SARIMA-Modell im Vergleich zu einem ARIMA-Modell auf Vorhersagen saisonaler Zeitreihen hat.

Zwei Modelle, ein ARIMA(3,1,2) und ein SARIMA(0,1,1)(1,1,1)\(_{12}\), wurden auf die Beschäftigungszeitreihe von Wisconsin gefittet. Laut AIC waren dies das beste ARIMA- bzw. das beste SARIMA-Modell.

In der Übung verwendest du diese beiden Modelle, um dynamische Vorhersagen für 25 Monate in die Zukunft zu erstellen und plottest diese Vorhersagen zusammen mit den zurückgehaltenen Daten für diesen Zeitraum, wisconsin_test.

Das gefittete ARIMA-Result-Objekt und das gefittete SARIMA-Result-Objekt stehen dir in deiner Umgebung als arima_results und sarima_results zur Verfügung.

Diese Übung ist Teil des Kurses

ARIMA-Modelle in Python

Kurs anzeigen

Anleitung zur Übung

  • Erstelle ein Forecast-Objekt namens arima_pred für das ARIMA-Modell, um die nächsten 25 Schritte nach dem Ende der Trainingsdaten vorherzusagen.
  • Extrahiere das Attribut .predicted_mean aus arima_pred und weise es arima_mean zu.
  • Wiederhole die beiden Schritte oben für das SARIMA-Modell.
  • Plotte die SARIMA- und ARIMA-Vorhersagen sowie die zurückgehaltenen Daten wisconsin_test.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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()
Code bearbeiten und ausführen