主题
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
用两期预测做一个逆差分假设算例
设最近一期用电量是
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 examples/arima_demo.py 的数据一致。
ARIMA(1,1,0):φ = ρ̂₁ = -0.3804,σ̂ = 1.0316
原序列 y_t(柱)+ 原单位预测(虚线)+ 95% 预测区间(阴影)
差分序列(ARIMA 实际建模对象)+ 差分预测 + 区间
| 序列 | 均值 | 标准差 | lag-1 自相关 ρ̂₁ |
|---|---|---|---|
| 原始 y_t | 18.1965 | 5.3586 | 0.9206 |
| 差分 w_t(d=1) | 0.3731 | 1.1072 | -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
参数说明
- 差分阶数 d(0/1/2):决定对序列做几次差分。本例
后趋势化为常数(差分序列均值约 ,即斜率 加噪声),序列才较平稳。 时原序列仍含趋势, 接近 1; 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
和 ARIMA 两种选择。选 AR(1) 时 (矩估计)。选 MA(1) 时由 解二次方程取 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)
| 模型 | 教学近似(TS/Python 矩估计) | statsmodels MLE(trend='t') |
|---|---|---|
| ARIMA(1,1,0) | ar.L1 | |
| ARIMA(0,1,1) | ma.L1 |
两种模型的 95% 预测区间均覆盖同一模拟过程延长的
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
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 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
因此第 11 期末的第
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 result = mmf_arima()。GNU Octave 兼容性未验证。MATLAB 和 Python 的手算结果可用
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
下载当前源码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))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)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