“利用ARIMA模型对时间序列进行分析的经典案例（详细代码）”一文中会遇到的问题总结（二）_时间序列预测r2出现负值_小白掌柜的博客

1. 怎么判断我的数据是否适合（非季节性）ARIMA模型呢?

答：
一般需要遵循两点：

时序数据本身具有一定的趋势性， 差分过后 可以去除趋势，让 时序呈现平稳 状态；
可以通过历史数据的 较强自相关性 （自相关性指时间序列滞后值之间的线性关系）对未来进行预测；且受随机噪声的影响不大。

2. 得到的时序预测图是负值，明显不对。怎样保证为正值？

答：
首先思考一下，为何时序预测会出现负值？不同案例中可能存在多个客观因素干扰，但是大致会有这么几种情况：

第一种：你的时序数据本身是 呈现递减趋势 ，而且差分后波动幅度不大，那么预测就会出现负值的情况；
第二种： 预测的步长太长 ，超过实际可预测区间；
第三种：时序数据中存在缺失值或NULL值，你之前 处理缺失值或NULL值的时候，用 0填充过 ，所以才会后面预测出现负值。

那么 如何处理这些负值？ 一般来说，都会 直接用0来替代 负值。或许用numpy的absolute（）函数也能处理。当然如果是第一种情况，建议换个模型来预测。
目前暂时想到这些办法， 如果大家有更好的处理方式，欢迎评论区留言！谢谢。

3. 想要最后预测的数据，而不是预测的平稳数据，怎么拿到？

4. 想获取预测点的值应该怎么做的，没有API接口呀，可以告知一下吗？

第三和第四个问题都是同一个，所以一起回答。因为在经典模型那篇最后得到的是差分后的预测值，所以很多朋友在问 如何获取原始时序的预测值？
答：
直接上代码（ 还是以经典模型那篇的示例数据来演示的 ）

#第六步：使用ARIMA模型进行未来10年预测
import warnings
warnings.filterwarnings('ignore', 'statsmodels.tsa.arima_model.ARMA',
                        FutureWarning)
warnings.filterwarnings('ignore', 'statsmodels.tsa.arima_model.ARIMA',
                        FutureWarning)
model = ARIMA(data,order=(7,0,0)) #导入ARIMA模型
result = model.fit()
#预测未来10年
pred = result.predict(start = 90, end = 99, dynamic = True)
#下面这句也可以
#pred = result.predict('1991', '2000')
运行后会得到如下数据：
  
5. 不需要做ADF检验吗？
 
答：其实是需要的，只是当时的博客没有加入这段。 
 那么问题又来了，为何要做ADF检验？ 或ADF检验的用处是什么？ 
  简单来说，ADF检验就是为了检查时序是否是平稳的！ADF检验的英文全称Augmented Dickey-Fuller test。
它是一种假设性检验，其中的零假设是数据不平稳。
 
 当通过ADF检验计算，如何看ADF检验的结果？这里主要看p值： 
  p > 0.05, 表示不拒绝零假设(H0)，说明时序数据是不平稳的，且存在单位根。
p <= 0.05, 表示拒绝零假设(H0)，说明时序数据是平稳的，且不存在单位根（ 简单解释一下，单位根指的是概率统计学中，一些随机过程（比如随机游走）的一个特征。 再直白点说，如果时间序列存在单位根，说明它存在随机趋向）。
 
 Python中ADF检验的具体方法/代码： 
  常用statsmodels库里面的adfuller模块来进行ADF检验。
参考代码：
  
from statsmodels.tsa.stattools import adfuller
def adf_test(timeseries):
    print("Results of Dickey-Fuller Test:")
    dftest = adfuller(timeseries, autolag="AIC")
    dfoutput = pd.Series(
        dftest[0:4],
        index=[
            "Test Statistic",
            "p-value",
            "#Lags Used",
            "Number of Observations Used",
    for key, value in dftest[4].items():
        dfoutput["Critical Value (%s)" % key] = value
    print(dfoutput)
6. 怎么确定ARMA/ARIMA的最优模型？
 
答：
 计算不同模型的AIC，最低的就是相对最优的时序模型。 
剩余五个问题改天继续解答，如果大家还有疑问，可以继续评论区留言，谢谢🤝。 
PPS:
 个人知识有限，也许文中存在理解错误，也欢迎大家捉虫！ 😁 
参考资料：
 Stationarity and detrending (ADF/KPSS)
 negative-values-in-time-series-forecast
 Unit root
                    最近又有好些朋友来咨询掌柜关于使用ARIMA模型对时间序列进行预测的????这篇博客 中遇到了一些问题，这里掌柜再次收集大家的问题来一一解答。PS: 本博客假定大家已经具备ARIMA模型的基础知识！！！问题汇总如下：怎么判断我的数据是否适合ARIMA模型呢？得到的时序预测图是负值，明显不对。怎样保证为正值？想要最后预测的数据，而不是预测的平稳数据，怎么拿到？想获取预测点的值应该怎么做的，没有API接口呀，可以告知一下吗？不需要做ADF检验吗？怎么确定ARMA的最优模型？还原到原始时间序列
严平稳与弱平稳：
**严平稳：分布不随时间的改变而改变。**如白噪声(正态),期望始终为0，方差为1。
**弱平稳：期望与相关系数(依赖性)不变。**未来某时刻的t值Xt就要依赖于它的过去信息，所以需要依赖性。
仔细看，阴影部分是预测后的结果走势，这里是蓝色的直线？？？
是不是很奇怪，为何这里会产生一条直线？
起初掌柜也很是困惑，于是向这位朋友拿了全部数据来进行实测也是得到同样的结果。。。后来掌柜搜遍全网后研究一番，原来是这么回事！下面开始进行讲解。
首先，使用ARIMA模型进行时序预测为何会出现是一条直线？
解答：简单来说是因为你的时序数据中存在“季节周期性”（注：这里的季节性是泛指）特征。所以模型无
					NotImplementedError: statsmodels.tsa.arima_model.ARMA and statsmodels.tsa.arima_model.ARIMA havebe
R2 —— 评估回归的方法
回归是将函数拟合到数据的方法。例如，我们能够通过卫星统计沃尔玛门口停车场的汽车数量，也可以通过其收益报告了解沃尔玛在对应时段的销售额。于是，你想建立一个汽车数量与沃尔玛季度收益的函数关系，以便于您炒股。但是，在建立了汽车数量与季度收益的函数关系以后，我们应该如何评判你和出来的函数关系的优劣呢？常用的度量拟合效果的参数是决定系数R2。本文将详细介绍R2的计算原理及负值产生的原因分析：
什么是R2？
R2用于比较回归模型的预测误差与简单的Y=样本点平
				因为之前在学数据分析课程的时候老师讲到时间序列这里，但只是简单的对这个经典的时间序列案例介绍了一下，并没有涉及对差分次数d的查找、找ARIMA模型的p、q值和模型检验 这三个步骤。
后来我搜寻了整个网络，终于结合各个文章的解释，对代码进行了重新的梳理，下面就是详细的整个代码过程（如果问题，欢迎提出来指正！????）：
# -*- coding: utf-8 -*-
# 用 ARIMA 进行时间序列预测
原文作者：Jason Brownlee 
原文地址：https://machinelearningmastery.com/save-arima-time-series-forecasting-model-python/ 
译者微博：@从流域到海域 
译者博客：blog.csd
参考了网上的资料，虽然不太明白是什么意思，但是这样的模型不能用。
参考：http://stackoverflow.com/questions/15054800/auto-arima-forecast-with-multivariate-xreg-unexpected-results/15056937#15056937
转载于...
				转载自 https://mp.weixin.qq.com/s/g6xwiRYhNyulwLlBYLh-4Q?scene=25
仅仅用于学习方面，如有侵权，请联系 root@smileyan.cn
「时间序列」是指某一个指标按照时间的统计或者观测而成的数列。比如，在运维的领域中，某主机每秒的CPU使用率、某业务每分钟的请求数量等，都可以形成一条时间序列；「异常检测」是指对反常的、和历史不同的行为模式识别。如某台一直空闲的机器，CPU使用率突然飙升至100%、某系统在本应业务繁忙的时间段请求数量降.
				ARIMA模型
前面讲到的指数平滑模型，对于预测误差要求是无相关性并且结果是满足以0为中心的正态分布的。对时间序列作分析是，有些情况下，把相关性考虑进去能做更好的预测。ARIMA模型就包含了对时间序列的无规律部分做预测的模型，在无规律部分，允许出现非零相关性。
对时间序列做差分
ARIMA模型是针对稳定时间序列的。若是你的分析对象是非稳定的时间序列，那么你首先就需要对时间序列做差分，直
				ARIMA模型是一种常用的时间序列分析方法，它可以用来预测未来的数据趋势。ARIMA模型包括自回归（AR）、差分（I）和移动平均（MA）这三个部分。
在Python中，我们可以使用statsmodels库来实现ARIMA模型的拟合和预测。下面是一个简单的ARIMA模型的实现示例：
```python
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima_model import ARIMA
# 读取数据
data = pd.read_csv('data.csv', index_col='date', parse_dates=True)
# 绘制原始数据图像
plt.figure(figsize=(15, 5))
plt.plot(data)
plt.title('Original Data')
plt.show()
# 训练ARIMA模型
model = ARIMA(data, order=(1, 1, 1))
result = model.fit(disp=-1)
# 预测未来数据
forecast = result.forecast(steps=30)
# 绘制预测结果图像
plt.figure(figsize=(15, 5))
plt.plot(data, label='Original Data')
plt.plot(forecast, label='Predicted Data')
plt.title('Predicted Data')
plt.legend()
plt.show()
在上面的代码中，我们首先读取了数据并绘制了原始数据的图像。然后使用ARIMA模型训练数据，并使用已训练的模型预测未来30个时间点的数据。最后，将原始数据和预测结果绘制在同一个图像中进行对比。
需要注意的是，ARIMA模型的参数需要根据数据的特征进行调整。在上面的代码中，我们使用了order=(1, 1, 1)来初始化ARIMA模型，这个参数需要根据实际情况进行调整。
				如何解决报错ValueError: Input contains NaN, infinity or a value too large for dtype('float64')的问题
					62692