BaşlayınÜcretsiz başlayın

SARIMA ve ARIMA tahminleri

Bu egzersizde, mevsimsel zaman serilerinin tahminlerinde ARIMA yerine SARIMA modeli kullanmanın etkisini göreceksin.

İki model, ARIMA(3,1,2) ve SARIMA(0,1,1)(1,1,1)\(_{12}\), Wisconsin istihdam zaman serisine uyarlanmıştır. AIC'ye göre bunlar sırasıyla en iyi ARIMA ve en iyi SARIMA modelleridir.

Egzersizde bu iki modeli kullanarak 25 ay için dinamik gelecek tahminleri yapacak ve bu döneme ait ayrılmış veriler olan wisconsin_test ile birlikte görselleştireceksin.

Uyumlanmış ARIMA sonuç nesnesi ve SARIMA sonuç nesnesi çalışma ortamında arima_results ve sarima_results olarak mevcut.

Bu egzersiz, kursun bir parçasıdır

Python'da ARIMA Modelleri

Kursa Göz Atın

Egzersiz talimatları

  • Eğitim verisinin bitiminden sonraki 25 adımı tahmin etmek için ARIMA modeli için arima_pred adlı bir tahmin nesnesi oluştur.
  • arima_pred nesnesinden .predicted_mean niteliğini çıkar ve arima_mean değişkenine ata.
  • Yukarıdaki iki adımı SARIMA modeli için tekrarla.
  • SARIMA ve ARIMA tahminlerini ve ayrılmış veri wisconsin_test'i birlikte görselleştir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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()
Kodu Düzenle ve Çalıştır