python数据分析-时间序列（二）ARIMA、傅里叶、小波变换、Prophet方法2021.8.10

一句话：

时间序列基本就这些方法了。

实践不同的输入数据，输出预测结果还不不太稳定，很现实差距挺大，是最近黑天鹅事件较多吗？

###############################################################

裹脚布版内容：

一、Python数据分析与数据化运营

1、P213时间序列，移动平均MA、指数平滑ES、差分自回归移动平均ARIMA

2、如果有自变量为什么还要时间序列？预测用电值、预测值上限限、预测样本量、天气温度、湿度、风力、节气。

3、主要规律、次要规律、波动部分。

4、时间序列不适合商业环境复杂的企业：次要规律、波动部分异常值多，变化因素多。融资、促销、广告、刷单、组织变化。

5、步骤：

6、时间序列2021.8.19.py

7、# 读取数据

8、

9、# 原始数据检验

10、

11、

12、

13、

14、# 创建用于区分是否进行平稳性处理的规则

15、# 对时间序列做稳定性处理

16、# 再次做检验

17、# 训练最佳ARMA模型并输出相关参数和对象

18、

19、

20、# 模型训练和效果评估

21、

22、# 模型预测应用

23、

24、BUG

25、TypeError: __new__() got an unexpected keyword argument 'start'

26、不行

27、下午又神器的得了？。。。看来要重启软件。

28、看看数据格式

29、

30、

31、卸载了3.17.3又安装了3.17.3

32、

33、它在升级到新版本 statsmodels (1.12.0) 时有效。初始版本是 (0.9.0)

34、pip install --user statsmodels -U

35、pip install statsmodels==0.12.0

36、

37、新bug

38、TypeError: super(type, obj): obj must be an instance or subtype of type

39、放弃

二、Python数据科学 : 技术详解与商业实践

1、P359拖拉机销量带季节性的ARIMA预测

2、Chapter 18-4 带季节效应的真实数据-拖拉机销售数据预测.py

3、数据格式开心

4、

5、探索平稳性、对数后的序列，波幅基本一致了，一阶差分，看自相关和偏自相关，自相关截尾、偏自相关12期截尾。

6、

7、

8、不再严格遵循自相关、偏自相关函数确定参数，而是通过遍历所有可能参数，以AIC统计量最小的模型作为最优模型。

9、建模

10、

11、预测

12、

三、AR建模

1、P348

2、Chapter 18-3 ARIMA.py

3、1-98行代码

4、时间序列平稳

5、

四、非平稳时间序列分析ARIMA模型

1、P354,平稳、定阶、估计、检验、预测

2、Bug

3、SyntaxError: from __future__ imports must occur at the beginning of the file

4、不行，https://blog.csdn.net/lm3758/article/details/83378344

5、

6、注释#掉没运行到的代码，OK

五、fbprophet的趋势分解法

1、P340

2、Chapter 18-2 傻瓜法时间序列预测Prophet.py

3、

4、