有什么方法可以在python中使用ARIMA模型预测时间序列数据？

问题描述

我尝试使用ARIMA模型预测target_price_index，这是预测时间序列的不错选择。我的数据是每月的时间序列，我想根据数据预测target_price_index。我曾与scikit-learn一起用于预测任务，但对在时间序列上使用ARIMA模型的了解不多。为此，我尝试如下：

我的尝试

这是我使用的example data和reproducible time series data on gist

的可再现时间序列数据

from statsmodels.tsa.arima_model import ARIMA
from matplotlib import pyplot
import pandas as pd

df = pd.read_csv("finaldf.csv",sep="\t")
model = ARIMA(df['target_price_index'],order=(5,1,0))
model_fit = model.fit(disp=0)
print(model_fit.summary())
# plot residual errors
residuals = DataFrame(model_fit.resid)
residuals.plot()
pyplot.show()
residuals.plot(kind='kde')
pyplot.show()
print(residuals.describe())

，但是上述尝试的输出并不令人满意，因为我看不到对时间序列数据进行预测的任何好处。谁能指出我有没有有效的管道或分析方法来获得有意义的预测结果？有什么建议吗？有什么想法吗？谢谢！

我还尝试了SO中的this post，仍然无法正确预测我的时间序列数据。有人有可能的想法吗？谢谢！

解决方法

我发现代码有几个问题：

1. csv文件使用制表符作为分隔符：df = pd.read_csv（“ finaldf.csv”，sep ='\ t'）

2. 实例化ARIMA模型时，第一个参数应为目标：model = ARIMA（df.target_prc_index，order =（5,1,0））