我正在尝试使用 ARIMA 模型进行预测。我是新手。我试图绘制我的数据集(每小时数据)的 seasonal_decompose()，下面是绘图？
我想了解这些情节，简短的描述会有所帮助。我看到最初没有趋势，一段时间后出现上升趋势。我不确定我说的对不对？我想了解如何正确阅读这些图表。请给出一些好的描述。
当我尝试应用 Dickey-Fuller 检验来检查我的数据是否平稳以及是否需要进一步求差时，我得到了以下结果:
Test Statistic -4.117543
p-value 0.000906
Lags Used 30.000000
Number of Observations Used 4289.000000
Critical Value (1%) -3.431876
Critical Value (5%) -2.862214
Critical Value (10%) -2.567129
我指的是 2 个链接来理解这一点: http://www.seanabu.com/2016/03/22/time-series-seasonal-ARIMA-model-in-python/
这个链接是说当test-statistic大于critical value时，说明数据是平稳的；另一方面，另一个链接反之亦然。我对此感到困惑，我也提到了 otexts.org，它说我们应该根据 p 值进行检查。请建议我如何解释 ADF 测试给出的结果？
此外，当我尝试在数据集上应用 ARIMA 模型时:
from statsmodels.tsa.arima_model import ARIMA
model = ARIMA(df.y, order=(0,1,0))
model_fit = model.fit()
我的数据框有日期时间列作为索引，y 列有浮点值。当我在此数据框上应用模型时。我收到此类错误:
IndexError: list index out of range.
当我尝试使用打印模型摘要时出现此错误:
print(model_fit.summary())
请帮我解决这个问题。这样我就可以更好地理解 ARIMA。
最佳答案
ARIMA(自回归积分移动平均)时间序列的交叉验证:K 折交叉验证不适用于时间序列。相反，使用回测技术，如 walk-forward和 rolling windows .
自回归的 K 折交叉验证:虽然交叉验证(通常)对时间序列 (ARIMA) 模型无效，但只要所考虑的模型具有不相关的错误，并且您已经使用 Ljung Box Test 对其进行了测试，用于时间序列用例中的 XAI(可解释人工智能)。
有一些 Python 统计库可以使用这些方法，这里有两个:Python Stats Tests和 Python StatsModels .
要获得值的差异，您可以简单地使用 Python 3.6+ PEP 487 Descriptors 强制执行 int8 ，您可以在其中强制执行始终返回 int8 的类型列表，以加快计算速度 (list : list -> list of ints):
list_a = [1,2,3]
list_b = [2,3]
print(set(list_a).difference(set(list_b)))
`answer is` set([1])
关于python - 时间序列数据框 python 上的 ARIMA 建模，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/45003158/