产生直线预测的ARIMA模型

Question

我正在学习时间序列分析，我在两个数据集上用ARIMA模型做了一些实验

1. Airline passengers data
2. 美元对印度卢比数据

我得到了一个正常的锯齿形预测Airline passengers data

ARIMA顺序=（2,1,2）

Model Results

但在USD vs Indian rupee data上，我得到的预测是一条直线

ARIMA顺序=（2,1,2）

Model Results

SARIMAX顺序=（2,1,2），季节性顺序=（0,0,1,30）

Model Results

我尝试了不同的参数，但是对于USD vs Indian rupee data我总是得到一个直线预测。在

还有一个小疑问，我已经读到，ARIMA模型不支持带有季节性成分的时间序列（因为我们有SARIMA）。那么为什么对于航空公司乘客数据ARIMA模型会产生周期性的预测。在

我是时间序列分析的新手，任何评论都会有很大的帮助

Answer 1

最近经历过类似的问题，我建议如下：

1. 可视化数据的季节性分解，以确保数据中存在季节性。请确保数据帧中包含频率分量。您可以使用以下命令在pandas dataframe中强制执行频率：

   dh = df.asfreq('W') #for weekly resampled data and fillnas with appropriate method

下面是一个执行季节分解的示例代码：

import statsmodels.api as sm

decomposition = sm.tsa.seasonal_decompose(dh['value'], model='additive', 
                            extrapolate_trend='freq') #additive or multiplicative is data specific
fig = decomposition.plot()
plt.show()

该图将显示数据中是否存在季节性。请随意浏览这篇关于季节分解的惊人文件。Decomposition

1. 如果您确定模型的季节性部分是30，那么您应该能够使用pmdarima包获得一个好的结果。该包在为您的模型找到最佳的pdq值方面非常有效。这是它的链接：pmdarimaexample code pmdarima

如果您不确定季节性，请咨询领域专家关于您的数据的季节性影响，或者尝试在您的模型中尝试不同的季节性成分并估计误差。在

在训练模型之前，请确保数据的平稳性通过Dickey-Fuller检验。pmdarima支持使用以下内容查找{}组件：

^{pr2}$

您还可以在我提供的文档的帮助下找到d。如果答案没有帮助，请提供汇率的数据来源。我将尝试用一个示例代码来解释流程。在