शुरू करेंमुफ़्त में शुरू करें

SARIMA बनाम ARIMA पूर्वानुमान

इस अभ्यास में, आप seasonal time series के पूर्वानुमान पर ARIMA मॉडल की जगह SARIMA मॉडल के उपयोग का प्रभाव देखेंगे.

दो मॉडल — ARIMA(3,1,2) और SARIMA(0,1,1)(1,1,1)\(_{12}\) — Wisconsin employment time series पर फिट किए गए हैं. AIC के अनुसार उपलब्ध सर्वश्रेष्ठ ARIMA और सर्वश्रेष्ठ SARIMA मॉडल यही थे.

अभ्यास में आप इन दोनों मॉडलों का उपयोग करके 25 महीनों के लिए dynamic future forecast बनाएँगे और इस अवधि के held-out डेटा wisconsin_test के साथ इन predictions को plot करेंगे.

Fitted ARIMA results ऑब्जेक्ट और fitted SARIMA results ऑब्जेक्ट आपके environment में क्रमशः arima_results और sarima_results के रूप में उपलब्ध हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में ARIMA Models

पाठ्यक्रम देखें

अभ्यास निर्देश

  • training डेटा के अंत के बाद अगले 25 steps के लिए ARIMA मॉडल का forecast ऑब्जेक्ट arima_pred बनाएँ.
  • arima_pred से forecast का .predicted_mean attribute निकालकर arima_mean में असाइन करें.
  • ऊपर दिए गए दोनों steps SARIMA मॉडल के लिए दोहराएँ.
  • SARIMA और ARIMA के forecasts तथा held-out डेटा wisconsin_test को plot करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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()
कोड संपादित करें और चलाएँ