如何解决线性误差&；使用Python训练arima模型时出现ValueError

我试图实现一个时间序列模型，但得到一些奇怪的异常，这些异常对我来说毫无意义。我不知道我是否犯了错误，或者这完全是意料之中的。下面是一些细节

在训练我的模型时，我尝试进行网格搜索以找到最佳（p、d、q）设置。下面是完整的代码（我将在下面解释发生了什么）：

下面的可复制的代码本质上是……的副本，有一些细微的变化：

import warnings
from pandas import Series
from statsmodels.tsa.arima_model import ARIMA
from sklearn.metrics import mean_squared_error

# evaluate an ARIMA model for a given order (p,d,q)
def evaluate_arima_model(X, arima_order):
    # prepare training dataset
    train_size = int(len(X) * 0.66)
    train, test = X[0:train_size], X[train_size:]
    history = [x for x in train]
    # make predictions
    predictions = list()
    for t in range(len(test)):
        model = ARIMA(history, order=arima_order)
        model_fit = model.fit(disp=0)
        yhat = model_fit.forecast()[0]
        predictions.append(yhat)
        history.append(test[t])
    # calculate out of sample error
    error = mean_squared_error(test, predictions)
    return error

# evaluate combinations of p, d and q values for an ARIMA model
def evaluate_models(dataset, p_values, d_values, q_values):
    dataset = dataset.astype('float64')
    best_score, best_cfg = float("inf"), None
    for p in p_values:
        for d in d_values:
            for q in q_values:
                order = (p,d,q)
                try:
                    print("Evaluating the settings: ", p, d, q)
                    mse = evaluate_arima_model(dataset, order)
                    if mse < best_score:
                        best_score, best_cfg = mse, order
                    print('ARIMA%s MSE=%.3f' % (order,mse))
                except Exception as exception:
                    print("Exception occured...", type(exception).__name__, "\n", exception)

    print('Best ARIMA%s MSE=%.3f' % (best_cfg, best_score))

# dataset
values = np.array([-1.45, -9.04, -3.64, -10.37, -1.36, -6.83, -6.01, -3.84, -9.92, -5.21,
                   -8.97, -6.19, -4.12, -11.03, -2.27, -4.07, -5.08, -4.57, -7.87, -2.80,
                   -4.29, -4.19, -3.76, -22.54, -5.87, -6.39, -4.19, -2.63, -8.70, -3.52, 
                   -5.76, -1.41, -6.94, -12.95, -8.64, -7.21, -4.05, -3.01])

# evaluate parameters
p_values = [7, 8, 9, 10]
d_values = range(0, 3)
q_values = range(0, 3)
warnings.filterwarnings("ignore")
evaluate_models(values, p_values, d_values, q_values)

代码只是尝试所有不同的给定设置，训练模型，计算每个给定设置的MSE（均方误差），然后选择最佳设置（基于最小MSE）

但是在培训过程中，代码不断抛出

linalgeror

和

ValueError

异常，这对我来说毫无意义

据我所知，当抛出这些异常时，代码并没有真正训练某些设置，然后跳转到下一个将要尝试的设置

为什么我会看到这些例外？ 可以忽略它们吗？

---

我需要做些什么来解决这个问题？

首先，回答你的具体问题：我认为“SVD没有收敛”是Statsmodels的ARIMA模型中的一个缺陷。SARIMAX模型现在得到了更好的支持（并且做了ARIMA模型所做的一切+更多），因此我建议改用它。为此，请将模型创建替换为：

model = sm.tsa.SARIMAX(history, trend='c', order=arima_order, enforce_stationarity=False, enforce_invertibility=False)

尽管如此，我认为考虑到您的时间序列和您正在尝试的规范，您仍然不可能获得好的结果

---

特别是，您的时间序列非常短，您只考虑非常长的自回归滞后长度（p>6）。很难用如此少的数据点来估计许多参数，特别是当你也有积分（d=1或d=2）时，以及当你也加入移动平均成分时。我建议您重新评估您正在考虑的车型。

谢谢您的回答。在我接受答案之前，现在研究一下。ARIMA模型的预测函数甚至返回置信区间，为了简单起见，我在上面没有提到。使用SARIMAX进行预测时，如何计算置信区间？另外，通过改变可能的p，d，q值，我仍然可以进行网格搜索，对吗？（这些统计模型并非我的专长。）是的，您可以使用

fcast\u res=res.get\u forecast（）

然后是

ci=fcast\u res.conf\u int（）

，从结果对象获取置信区间，而实际预测是

fcast=fcast\u res.predicted\u mean

。是的，您仍然可以进行网格搜索。SARIMAX是一个简单的ARIMA模型，如果您愿意，还可以选择添加（S）季节项和e（X）生成回归。谢谢！最后一个问题。。我的数据集有大量数据。（例如：-6.1e+10）在培训期间，我偶尔会看到´“ValueError输入包含NaN、无穷大或一个对于dtype（'float64'）来说太大的值”。我可以使用sklearn.preprocessing.StandardScaler规范化数据集。使用“fit”和“transform”函数，可以进行规范化。但随后计算的置信区间将基于标准化数据集（太小的数字）。要对数据集（甚至预测）进行反规范化，我可以调用逆变换函数，但如何解决conf.interv的相同问题？不幸的是，没有一种简单的方法来转换置信区间。您可以选择许多方向，但没有一个是内置的（例如，一种称为delta方法或模拟的近似技术）。有关其中一些问题的讨论，请参见示例。

model = sm.tsa.SARIMAX(history, trend='c', order=arima_order, enforce_stationarity=False, enforce_invertibility=False)