原文链接:http:///?p=27363本文在相对简单的数据集上探索不同的时间序列技术。 相关视频 给定 5 年的商店商品销售数据(查看文末了解数据获取方式),并要求您预测 10 家不同商店的 50 种不同商品在 3 个月内的销售额。 处理季节性的最佳方法是什么?商店应该单独建模,还是可以将它们合并在一起? 商店项目需求预测自回归综合移动平均线 (ARIMA)这 ARIMA 模型是可应用于非平稳时间序列的 ARMA 模型的推广。 import timeimport pandas as pd 加载数据d\_trn = pd.rad\_csv('../inuraicsv, prse\_tes=date'\], inx\_col\['te'\]) 所有商店似乎都显示出相同的趋势和季节性。 点击标题查阅往期内容 左右滑动查看更多 ARIMAX带解释变量的自回归综合移动平均线 (ARIMAX) 是 ARIMA 的扩展版本,其中包括独立的预测变量。 准备数据mnths = df_rinindx.nth import datetimedumymns = pd.get_dummies(moth) 构建模型si1 = d\_rin.loc\[(d\_tin\['store'\] == 1) & (_tran\['ie'\] == 1), 'ses'\] 作出预测nog = df\_rai.loc\[(ftrin\['str'\] == s) & (df\_rin\['te'\] == i), 'als'\] 示例预测xg = f\_rin.loc\[(df\_rin\[ste'\] == 10) & (d_tri\['itm'\] == 50)\].drop(\['', 'ite', 'sas'\], axis=1) 数据获取 |
|