原文链接：http://tecdat.cn/?p=27363 

原文出处：拓端数据部落公众号

 

本文在相对简单的数据集上探索不同的时间序列技术。

给定 5 年的商店商品销售数据，并要求您预测 10 家不同商店的 50 种不同商品在 3 个月内的销售额。

处理季节性的最佳方法是什么？商店应该单独建模，还是可以将它们合并在一起？

商店项目需求预测

自回归综合移动平均线 (ARIMA)

这 ARIMA 模型是可应用于非平稳时间序列的 ARMA 模型的推广。

import time
import pandas as pd
 
%matplotlib inline

加载数据

d_trn = pd.rad_csv('../inuraicsv, prse_tes=date'], inx_col['te'])
d_ts = pd.ra_csv'../iputst.csv', prse_des=['date'], ine_col['d

所有商店似乎都显示出相同的趋势和季节性。

ARIMAX

带解释变量的自回归综合移动平均线 (ARIMAX) 是 ARIMA 的扩展版本，其中包括独立的预测变量。

准备数据

mnths = df_rinindx.nth
 
df_ran.drpna(iplac=True)
d_trin.head()

import datetime
 
dumymns = pd.get_dummies(moth)
 
prev_uate_dates = d_tet_x.index - datie.timedelta(das=91)
dfetex.head()

构建模型

si1 = d_rin.loc[(d_tin['store'] == 1) & (_tran['ie'] == 1), 'ses']
exog_s1i1 = df_train.loc[(df_train['store'] == 1) & (df_train['item'] == 
 
 
ax = SARIMAX(si1.loc['2013-12-31':], exog=exog
                                   nfoceinvetiblity=alse,enforce_ationarity=False, 

作出预测

 
        nog = df_rai.loc[(ftrin['str'] == s) & (df_rin['te'] == i), 'als']
        
        SARIMAX(endog=edog exog=xo,
                                           enorce_invtiilit=False, eorce_statnarityFalse, freq='D',
                                           order=(7,0,0)).fit()
       
        tc = time.time()

示例预测

xg = f_rin.loc[(df_rin[ste'] == 10) & (d_tri['itm'] == 50)].drop(['', 'ite', 'sas'], axis=1)
forast = arax.predict

---

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列

4.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性

5.r语言copulas和金融时间序列案例

6.R 语言用RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测

7.Matlab创建向量自回归（VAR）模型分析消费者价格指数 (CPI) 和失业率时间序列

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析