Kom igångKom igång gratis

SARIMA vs. ARIMA-prognoser

I den här övningen ser du skillnaden mellan att använda en SARIMA-modell och en ARIMA-modell när du gör prognoser på säsongsbaserade tidsserier.

Två modeller – en ARIMA(3,1,2) och en SARIMA(0,1,1)(1,1,1)\(_{12}\) – har anpassats till tidsserien för sysselsättning i Wisconsin. Dessa var de bästa tillgängliga ARIMA- respektive SARIMA-modellerna enligt AIC.

I övningen använder du de två modellerna för att göra dynamiska prognoser för 25 månader framåt och ritar sedan in dessa förutsägelser tillsammans med den undanhållna testdatan för samma period, wisconsin_test.

De anpassade resultatobjekten finns tillgängliga i din miljö som arima_results och sarima_results.

Den här övningen är en del av kursen

ARIMA-modeller i Python

Visa kurs

Övningsinstruktioner

  • Skapa ett prognososjekt med namnet arima_pred för ARIMA-modellen, som prognostiserar de nästa 25 stegen efter träningsdatans slut.
  • Extrahera attributet .predicted_mean från arima_pred och tilldela det till arima_mean.
  • Upprepa de två stegen ovan för SARIMA-modellen.
  • Rita SARIMA- och ARIMA-prognoserna samt den undanhållna testdatan wisconsin_test.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()
Redigera och kör kod