Skip to content

ARIMA 时间序列预测 ​

方法速览 ​

  • 主要用途 利用差分后序列的滞后关系预测未来值。
  • 必要输入 等间隔历史序列、清晰的时间索引和预测步长。
  • 适用条件 历史足够估计参数,差分后序列的相关结构较稳定。
  • 典型不适用情况 频繁突变、未来有未建模的制度变化,或采样间隔不规则。
  • 最低限度的验证方式 与上期值或季节朴素值做同窗滚动回测,并检查残差自相关。

ARIMA 需要什么样的序列 ​

ARIMA 适合按固定间隔观测、有一定长度、近期相关结构可延续的单序列预测。把统计口径、间隔、缺测和已有异常逐一标明。它通过差分处理一类非平稳性,再对较稳定的变化过程建模。若时间戳很不规则,或未来会有明确制度变化造成断点,先处理采样或从机制上解释变化。频繁突变的序列即使差分后仍可能缺少可延续的规律。

三个阶数的数学含义 ​

用 Byt=yt−1 表示滞后,令 wt=(1−B)dyt。非季节 ARIMA 的一种写法是

wt=c+∑i=1pϕiwt−i+εt+∑j=1qθjεt−j.

p 是自回归阶数,d 是差分次数,q 是过去创新项的阶数。这里的移动平均项使用历史创新,常用平滑时间序列的滑动窗口平均与其含义不同。参数约定随实现而异,特别是常数与漂移项。预测时用已观测值和过去创新的估计,未来创新的条件期望取零,再逆差分回到原单位。Hyndman 与 Athanasopoulos 的 ARIMA 章节

用两期预测做一个逆差分假设算例 ​

设最近一期用电量是 118 千瓦时,比上一期多 4 千瓦时。假设已经在更长的历史数据上拟合了无常数 ARIMA(1,1,0),ϕ1=0.5。下一期预测增量为 0.5×4=2,再下一期为 0.5×2=1。所以两期预测分别是 118+2=120 和 120+1=121 千瓦时。报表若写成 2 和 1,交付的是增量,无法回答原用电量问题。

和指数平滑、季节基线怎么比 ​

指数平滑按水平、趋势和季节成分组织预测,ARIMA 则尝试解释序列或差分序列中残留的自相关。先比上期值基线,有季节性时再比上个周期同期值。如果有稳定周期,考虑季节 ARIMA 或季节指数平滑。未来外部因素已知且对预测很重要时,可以用带外生输入的模型,回测时也要让模型只看到当时可获得的外部信息。

第一次验证怎么做 ​

先画原序列与差分图,用自相关、偏自相关和业务含义筛少量合理候选。检查训练残差是否还有稳定的相关结构,例如画残差 ACF 并结合 Ljung–Box 检验。再设若干滚动预测起点,对各步长计算 MAE。若有预测区间,另检查区间覆盖和宽度。信息准则可用于训练阶段筛选模型,实际预测能力仍需要用时间回测核对。

容易踩的坑 ​

随机切分会让模型使用未来信息,差分过多也可能制造多余的相关结构。把缺测日期直接删掉会使两个相距多期的记录被当成相邻。预测图应标明训练截止时间、频率和未来步数。换模型前先从最后几个实际值逐步复算差分与还原,并核对时间索引。

若为稳定波动而对原值取了对数,先确认数据都为正。预测回到原单位后,直接对对数尺度的点预测取指数,通常不能当成原单位下的条件均值。

动态演示 ​

下面动画用固定种子的模拟序列 yt=10+0.35t+nt(nt 为 ϕ=0.6、σ=1 的 AR(1) 噪声,n=48)演示 ARIMA 的「差分 → 拟合 → 预测」流程。数据由 seed=42 的 mulberry32 生成,与 examples/arima_demo.py 的数据一致。

ARIMA 教学动画:差分 → 拟合 → 预测(ARIMA(1,d,0) / (0,d,1))
ARIMA(1,1,0):φ = ρ̂₁ = -0.3804,σ̂ = 1.0316
差分前后统计对比(教学口径:标准差分母 n)
序列均值标准差lag-1 自相关 ρ̂₁
原始 y_t18.19655.35860.9206
差分 w_t(d=1)0.37311.1072-0.3804

原始序列 y_t = 10 + 0.35t + AR(1) 噪声(φ=0.6,σ=1),n=48,含确定性线性趋势。

1 / 6
本演示为教学分步:真实的 ARIMA 参数估计使用最大似然/状态空间方法并做残差检验,见下方 Python 算例(statsmodels)。动画按「差分 → 统计 → 拟合 → 预测 → 区间」推进,其中 AR(1) 取 φ=ρ̂₁(矩估计)、MA(1) 由 ρ̂₁=θ/(1+θ²) 解出 θ,均为教学近似口径。

参数说明

  • 差分阶数 d(0/1/2):决定对序列做几次差分。本例 d=1 后趋势化为常数(差分序列均值约 0.3731,即斜率 0.35 加噪声),序列才较平稳。d=0 时原序列仍含趋势,ρ1 接近 1;d 过大(过度差分)会制造多余的自相关结构。
  • 模型阶数:本演示提供 ARIMA(1,d,0) 和 ARIMA(0,d,1) 两种选择。选 AR(1) 时 ϕ=ρ1(矩估计)。选 MA(1) 时由 ρ1=θ/(1+θ2) 解二次方程取 |θ|<1 的根。可在 examples/arima_demo.py 中用 statsmodels 尝试更一般的阶数。
  • 预测期数(1–12):预测差分序列的未来值,再逆差分还原到原单位。

数值表(与 Python 算例一致,seed=42,四舍五入到 4 位)

d=1 差分序列均值为 0.3731,标准差为 1.1072,一阶自相关 ρ1=−0.3804。负相关提醒我们考虑对确定性趋势做回归、再对误差建模。在这个模拟中,差分把原来平稳的噪声 nt 也变成了 nt−nt−1。

模型教学近似(TS/Python 矩估计)statsmodels MLE(trend='t')
ARIMA(1,1,0)ϕ=ρ1=−0.3804,σ^=1.0316ar.L1 =−0.3792,漂移 0.3811,σ=1.0224(AIC =141.62)
ARIMA(0,1,1)θ=−0.4614,σ^=1.0175ma.L1 =−0.4227,漂移 0.3841,σ=1.0163(AIC =141.10)

两种模型的 95% 预测区间均覆盖同一模拟过程延长的 20/20 期。单条模拟轨迹的覆盖次数只能展示区间用法。

教学分步 vs 真实估计

动画按「差分 → 统计 → 拟合 → 预测 → 区间」六步推进,是教学分步而非真实估计过程。动画里 AR(1) 取 ϕ=ρ1(Yule–Walker 矩估计)、MA(1) 由 ρ1=θ/(1+θ2) 解 θ、残差标准差用 σ^,都不涉及似然最大化或残差诊断。

真实的 ARIMA 估计用最大似然 / 状态空间方法联合估计所有参数(含常数/漂移项),并做残差自相关检验(如 Ljung–Box)与信息准则(AIC/BIC)选型。上表中 statsmodels 与教学近似的差异即来自此:AR(1) 的 ϕ 两种口径接近(−0.3804 vs −0.3792),但 MA(1) 的 θ(−0.4614 vs −0.4227)与漂移项由 MLE 联合估计,结果与单纯矩估计不同;真实估计还给出 σ2、AIC 与参数标准误。完整实现与区间覆盖断言见 examples/arima_demo.py(python examples/arima_demo.py 可复现,图存 docs/public/examples/arima-demo.png)。

双语言实验:从差分均值回到原单位 ​

这个例子把 p=q=0、d=1 作为工作假设,只估计一个常数漂移。假设增量 Δyt=yt−yt−1=c+εt,未来创新的条件均值为零。用前 11 期的模拟读数拟合,最小化 ∑t=211(Δyt−c)2。对 c 求导并令其为零,得到

c^=110∑t=211Δyt=73−5010=2.3.

因此第 11 期末的第 h 步预测为 73+2.3h。四个预测依次是 75.3、77.6、79.9、82.2,对留出的 77、79、80、84,MAE 为 1.25。用同一个预测起点,上期值基线四步都预测 73,MAE 为 7。左图展示固定起点的原尺度预测,右图画训练期增量与它们的均值。这组简短的手工数据用于复算公式,真实建模仍需检查增量是否有持续的自相关、制度变化或季节性。

Python 运行前安装 python -m pip install numpy matplotlib statsmodels,在下载目录运行 python mmf_arima.py。程序先按公式手算,再用 statsmodels 的 ARIMA(train, order=(0,1,0), trend="t") 对照。"t" 在原尺度引入线性时间项,一阶差分后产生漂移。状态空间求解的点预测与手算按 10−3 的绝对误差比较。MATLAB 版面向 R2020a 及更新版本,只使用基础 MATLAB。把文件放进当前文件夹后运行 result = mmf_arima()。GNU Octave 兼容性未验证。MATLAB 和 Python 的手算结果可用 10−10 的绝对容差对照。 statsmodels ARIMA 接口

对原序列做一次差分,演示给定参数的 ARIMA(1,1,0) 如何预测差分并还原水平。下一期差分 2.5、水平 23.5。完整实践包含基线和回测。

最简版依赖 Python:无第三方依赖。MATLAB:基础功能,无需额外工具箱。

在源码所在目录运行 python mmf_min_arima.py

py
import json
levels = [10, 12, 15, 17, 21]
# 相邻水平相减得到变化量;本例把 2 作为差分的长期均值,φ 固定为 0.25。
differences = [right - left for left, right in zip(levels, levels[1:])]
mean_difference = 2
phi = 0.25
next_difference = mean_difference + phi * (differences[-1] - mean_difference)
# 差分预测要加回最后一期实际水平,才能与原序列同量纲。
next_level = levels[-1] + next_difference
assert differences == [2, 3, 2, 4] and next_level == 23.5
result = {"differences": differences, "next_difference": next_difference, "next_level": next_level}
print("LAB_RESULT " + json.dumps(result, ensure_ascii=False))
下载当前源码

下载 Python 源码 · 下载 MATLAB 源码

安装了 Econometrics Toolbox 时,可以把手算的漂移和创新方差传入已完全指定的 arima 模型。这个例子中,Constant 表示差分方程中的常数,Y0 提供预测起点的实际读数。

matlab
% 先运行基础版,从训练增量取得漂移与创新方差。
result = mmf_arima();
% 只设一阶差分,默认没有 AR 和 MA 项。参数全已指定,可以直接预测。
model = arima('D',1, 'Constant',result.drift, ...
    'Variance',result.innovation_variance);
% 73 是训练末期实测,输出依次对应固定起点的未来四步。
forecastFromToolbox = forecast(model, 4, 'Y0', 73)

MathWorks ARIMA 模型 · 预测接口

练习 如果在第 11 期预测后已观察到第 12 期的读数 77,保持漂移不变,第 13 期的一步预测是多少?比较它与固定起点的第 2 步预测。

展开参考解答

以第 12 期实测值为新起点,预测为 77+2.3=79.3,距离实测 79 为 0.3。固定起点预测为 73+2×2.3=77.6,距离实测为 1.4。前者获得了一次新的观测,评估时应当与使用相同预测起点和信息的基线比较。

关联文章 ​

MathModel FAQ · 数学建模知识库