ARIMA代表Auto Regressive Integrated Moving Average。有季节性和非季节性ARIMA模型，可用于预测
此方法有三个变量需要考虑
P =延迟的时间段例如:(如果P = 3，那么我们将在计算的自回归部分中使用我们时间序列的前三个周期）P有助于调整拟合的线以预测序列
纯粹的自回归模型类似于线性回归，其中预测变量是先前先前的P个数
D =在ARIMA模型中，我们使用差分将时间序列变换为静止时间序列（没有趋势或季节性的序列）。D指的是时间序列变为静止所需的差分变换的数量。
固定时间序列是指均值和方差随时间变化的常数。序列静止时更容易预测。
差分是一种将非平稳时间序列转换为静止时间序列的方法。这是准备在ARIMA模型中使用的数据的重要步骤。
第一个差分值是当前时间段和前一个时间段之间的差异。如果这些值无法围绕常数均值和方差旋转，那么我们使用第一个差分的值找到第二个差分。我们重复这个，直到我们得到一个固定系列
确定序列是否足够差分的最佳方法是绘制差分序列并检查是否存在常数均值和方差。
Q =此变量表示误差分量的滞后，其中误差分量是时间序列的一部分，不是由趋势或季节性解释的
自相关是指时间序列与其过去值的相关性，而ACF是用于查看点之间的相关性的图，直到并包括滞后单元。在ACF中，相关系数在x轴上，而滞后数在y轴上示出。
自相关函数图将让您知道给定时间序列如何与自身相关联
通常在ARIMA模型中，我们使用AR term 或MA term 。我们仅在极少数情况下使用这两个terms。我们使用ACF图来决定我们将在时间序列中使用这些terms中的哪一个
在绘制ACF图后，我们转到偏自相关函数图（PACF）。偏自相关是对时间序列中观测与之前的观测之间的关系的总结，而之前的观测与中间观测之间的关系被删除。
滞后k处的偏自相关是指在较短的滞后时间内，由于各相关项的作用而消除其影响后得到的相关。
如果PACF图在滞后n处下降，则使用AR（n）模型，如果PACF下降更加平缓，那么我们使用MA项
自回归分量：纯粹的AR模型仅使用过去值的组合进行预测，如线性回归，其中所使用的AR项的数量与预测所考虑的先前时段的数量成正比。
在模型中使用AR term
移动平均线：时间序列图中的随机跳跃，其效果可以在两个或两个以上的连续周期内感受到。这些跳转表示ARIMA模型中计算的错误，并表示MA组件会延迟什么。纯MA模型可以像指数平滑法那样平滑这些突然的跳跃。
在模型中使用MA term
集成组件：当时间序列不固定时，此组件将生效。我们必须区分序列以使其静止的次数是集成组件的参数（i-term）
我们可以将我们的模型表示为ARIMA（ar-term，ma-term，i-term）
找到正确的模型是一个迭代过程。
顾名思义，当时间序列表现出季节性时，使用该模型。这个模型类似于ARIMA模型，我们只需添加一些参数来说明季节
我们把SARIMA写成了
季节性差异考虑了季节和当前价值与上一季度价值的差异，例如：本月的差异可能是2018年5月的值 - 2017年5月的值。
联系客服
