![](/img/trans.png)
[英]Which Seasonal Adjustment Program should I use with Statsmodels X-13-ARIMA
[英]How to get predictions using X-13-ARIMA in python statsmodels
我正在嘗試從 python 3 中的 statsmodels 庫運行 X-13-ARIMA 模型。
我在 statsmodels 文檔中找到了這個例子:
dta = sm.datasets.co2.load_pandas().data
dta.co2.interpolate(inplace=True)
dta = dta.resample('M').sum()
res = sm.tsa.x13_arima_select_order(dta.co2)
print(res.order, res.sorder)
results = sm.tsa.x13_arima_analysis(dta.co2)
fig = results.plot()
fig.set_size_inches(12, 5)
fig.tight_layout()
這很好用,但我還需要預測這個時間序列的未來值。 tsa.x13_arima_analysis()
函數包含forecast_years
參數,所以我想它應該是可能的。 然而; 無論我選擇的forecast_years
參數值是多少, results
對象似乎都不會改變。
如何獲得預測值?
到現在為止,您自己可能已經有了這個。 我檢索了一些在 2012 年 7 月結束的月度天氣數據。我輸入此語句進行分析。
results = sm.tsa.x13_arima_analysis(s, forecast_years=3)
然后(發現results.results
)我輸入了這個。
open('c:/scratch/result.txt', 'w').write(results.results)
通過查看此文件以進行“預測”,我發現了以下部分。
FORECASTING
Origin 2012.Jul
Number 3
Forecasts and Standard Errors of the Prior Adjusted Data
------------------------------
Standard
Date Forecast Error
------------------------------
2012.Aug 33.02 2.954
2012.Sep 28.31 2.954
2012.Oct 21.54 2.954
------------------------------
Confidence intervals with coverage probability ( 0.95000
---------------------------------------
Date Lower Forecast Upper
---------------------------------------
2012.Aug 27.23 33.02 38.82
2012.Sep 22.52 28.31 34.10
2012.Oct 15.75 21.54 27.33
---------------------------------------
forecast_years=3
似乎意味着進行三個月的預測,在這種情況下從 7 月之后開始。
predict_years=x 為我工作。 請注意您正在運行的 statsmodels 版本(“pip freeze | grep statsmodels”),對於 10.2 版,預測范圍的正確參數是 <forecast_years>,但在 11.0 及更高版本中,正確的參數是 <forecast_periods>。
一個簡單的正則表達式應該可以找到您的預測值:
202\\d.\\w{3}\\s{6}\\d\\d.\\d\\d\\s{5}\\d\\d.\\d\\d\\s{5}\\d\\d.\\d\\d
(在結果的每一行上運行)
這將匹配:
2020.Feb 18.04 32.25 46.47
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.