ПочатиПочніть безкоштовно

Прогнози SARIMA vs ARIMA

У цій вправі ви побачите, як використання моделі SARIMA замість ARIMA впливає на прогнози для сезонних часових рядів.

До часових рядів зайнятості штату Вісконсин підігнано дві моделі: ARIMA(3,1,2) і SARIMA(0,1,1)(1,1,1)\(_{12}\). За критерієм AIC це були найкраща доступна модель ARIMA та найкраща модель SARIMA.

У вправі ви використаєте ці дві моделі, щоб побудувати динамічний прогноз на майбутні 25 місяців і відобразити ці прогнози разом із відкладеними для перевірки даними за цей період — wisconsin_test.

Об'єкти з результатами підгонки ARIMA і SARIMA доступні у вашому середовищі як arima_results і sarima_results.

Ця вправа є частиною курсу

Моделі ARIMA в Python

Переглянути курс

Інструкції до вправи

  • Створіть об'єкт прогнозу для моделі ARIMA під назвою arima_pred, щоб спрогнозувати наступні 25 кроків після завершення тренувальних даних.
  • Витягніть атрибут прогнозу .predicted_mean з arima_pred і присвойте його змінній arima_mean.
  • Повторіть дві наведені вище дії для моделі SARIMA.
  • Побудуйте графік прогнозів SARIMA і ARIMA та відкладених даних wisconsin_test.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()
Редагувати та запускати код