เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

เปรียบเทียบการพยากรณ์ SARIMA กับ ARIMA

ในแบบฝึกหัดนี้ จะได้เห็นผลกระทบของการใช้โมเดล SARIMA แทน ARIMA ในการพยากรณ์อนุกรมเวลาที่มีฤดูกาล

โมเดลสองตัว ได้แก่ ARIMA(3,1,2) และ SARIMA(0,1,1)(1,1,1)\(_{12}\) ถูกฟิตกับอนุกรมเวลาการจ้างงานในรัฐวิสคอนซิน ซึ่งเป็นโมเดล ARIMA และ SARIMA ที่ดีที่สุดตามเกณฑ์ AIC

ในแบบฝึกหัดนี้ จะใช้โมเดลทั้งสองเพื่อพยากรณ์อนาคตแบบ dynamic เป็นเวลา 25 เดือน แล้วพล็อตผลการพยากรณ์เทียบกับข้อมูลที่สำรองไว้สำหรับช่วงนั้น ซึ่งก็คือ wisconsin_test

ออบเจกต์ผลลัพธ์ ARIMA และ SARIMA ที่ฟิตแล้วพร้อมใช้งานในตัวแปร arima_results และ sarima_results

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

ARIMA Models ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างออบเจกต์การพยากรณ์ชื่อ arima_pred สำหรับโมเดล ARIMA เพื่อพยากรณ์ 25 ช่วงถัดจากข้อมูล training
  • ดึง attribute .predicted_mean จาก arima_pred แล้วกำหนดค่าให้กับตัวแปร arima_mean
  • ทำซ้ำสองขั้นตอนข้างต้นสำหรับโมเดล SARIMA
  • พล็อตผลการพยากรณ์ของ SARIMA และ ARIMA พร้อมกับข้อมูลที่สำรองไว้ wisconsin_test

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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()
แก้ไขและรันโค้ด