AR मॉडल के साथ फोरकास्टिंग
पिछले अभ्यास में आपने मॉडल के पैरामीटर का आकलन किया था. इसके अलावा, आप statsmodels का उपयोग करके इन-सैंपल और आउट-ऑफ-सैंपल दोनों तरह की फोरकास्टिंग भी कर सकते हैं. इन-सैंपल फोरकास्ट उस अगले डेटा पॉइंट की भविष्यवाणी होती है, जो उस समय तक उपलब्ध डेटा पर आधारित होती है. आउट-ऑफ-सैंपल फोरकास्ट भविष्य में किसी भी संख्या के डेटा पॉइंट्स की भविष्यवाणी कर सकती है. आप plot_predict() फंक्शन का उपयोग करके फोरकास्ट किया हुआ डेटा प्लॉट कर सकते हैं. इसमें आप फोरकास्ट के लिए शुरुआती बिंदु और अंतिम बिंदु देते हैं, जहाँ अंतिम बिंदु डेटासेट के समाप्त होने के बाद के किसी भी संख्या के पॉइंट्स हो सकते हैं.
DataFrame simulated_data_1 के सिम्युलेटेड डेटा के लिए, जहाँ \(\small \phi=0.9\), आप आउट-ऑफ-सैंपल फोरकास्ट और उन फोरकास्ट के आसपास कॉन्फिडेंस इंटरवल्स प्लॉट करेंगे.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Time Series Analysis
अभ्यास निर्देश
- क्लास
ARIMAइम्पोर्ट करें और फंक्शनplot_predictभी इम्पोर्ट करें - DataFrame
simulated_data_1के सिम्युलेटेड डेटा और मॉडल के (p,d,q) ऑर्डर (यहाँ AR(1) के लिए)order=(1,0,0)के साथARIMAक्लास का एक इंस्टेंसmodनाम से बनाएँ - मेथड
.fit()का उपयोग करके मॉडलmodको फिट करें और परिणामों कोresनाम के ऑब्जेक्ट में सेव करें - इन-सैंपल डेटा को डेटा पॉइंट 950 से शुरू करते हुए प्लॉट करें
plot_predict()फंक्शन का उपयोग करके आउट-ऑफ-सैंपल फोरकास्ट और कॉन्फिडेंस इंटरवल्स प्लॉट करें. डेटा जहाँ 1000वें पॉइंट पर समाप्त होता है वहाँ से शुरू करें, और फोरकास्ट को पॉइंट 1010 तक समाप्त करें
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Import the ARIMA and plot_predict from statsmodels
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.graphics.tsaplots import plot_predict
# Forecast the first AR(1) model
mod = ARIMA(___, order=___)
res = mod.fit()
# Plot the data and the forecast
fig, ax = plt.subplots()
simulated_data_1.loc[950:].plot(ax=ax)
plot_predict(res, start=___, end=___, ax=ax)
plt.show()