Python 多重时间序列的ARIMA/Holt-Winters
有没有一种方法可以在python中运行一个ARIMA/Holt-Winters模型,同时处理多个项目(时间序列) 我可以使用Python中的StatsModels包运行单个ARIMA/Holt Winters模型,但不能运行多个时间序列 要澄清我所说的多重时间序列的含义,请参阅我的数据集Python 多重时间序列的ARIMA/Holt-Winters,python,time-series,arima,holtwinters,Python,Time Series,Arima,Holtwinters,有没有一种方法可以在python中运行一个ARIMA/Holt-Winters模型,同时处理多个项目(时间序列) 我可以使用Python中的StatsModels包运行单个ARIMA/Holt Winters模型,但不能运行多个时间序列 要澄清我所说的多重时间序列的含义,请参阅我的数据集 ARIMA是时间序列预测中最常用的模型之一,但它仅适用于单变量时间序列分析。在数据集中,有四个变量 X1 X2 X3 X4 所以它是一个多元时间序列 对于处理,这种时间序列预测是一个很好的选择。它能够处理任
ARIMA是时间序列预测中最常用的模型之一,但它仅适用于单变量时间序列分析。在数据集中,有四个变量
- X1
- X2
- X3
- X4
from statsmodels.tsa.vector_ar.var_model import VAR
VAR方法:
model = VAR(array_of_data)
[[5737,5100,2899,7431.26],
[5779,5500,5600,5237.5],
[5782,3520,3620,6534.39]]
- 其中,数据的排列应该是一个列表(每个观察值作为一行)
model = VAR(array_of_data)
[[5737,5100,2899,7431.26],
[5779,5500,5600,5237.5],
[5782,3520,3620,6534.39]]
在实施之前,仔细阅读所有参数以获得更好的结果
要了解更多信息,请阅读此内容
from statsmodels.tsa.vector_ar.var_model import VAR
import numpy as np
model = VAR(endog=np.asarray(train))
model_fit = model.fit()
prediction = model_fit.forecast(model_fit.y, steps=len(valid))
请注意,VAR模型最适合于查找随时间变化的不同系列之间的(相互)依赖关系。如果没有理由认为任何系列会随着时间的推移影响任何其他系列,那么VAR可能过于工程化了。