我是 Python ARIMA 实现的新手。我有几个月的 15 分钟频率的数据。在我尝试遵循 Box-Jenkins 方法来拟合时间序列模型时。我在最后遇到了一个问题。给出了时间序列 (ts) 和差异序列 (ts_diff) 的 ACF-PACF graph。我使用了 ARIMA (5,1,2)，最后绘制了拟合值（绿色）和原始值（蓝色）。正如您可以从figure 看到的那样，值有一个明显的变化（一个）。我做错了什么？
预测不好？任何见解都会有所帮助。
【问题讨论】：
标签： python statsmodels
这是一步超前预测或预测的标准属性。
用于预测的信息是截至并包括上一时期的历史。例如，某个时期的峰值会影响下一个时期的预测，但不会影响峰值时期的预测。这使得预测在图中看起来发生了变化。
提前两步的预测会给人两个时期的变化印象。
【讨论】：
只是为了确认一下，我这样做对吗？这是我使用的代码。
from statsmodels.tsa.arima_model import ARIMA
model = sm.tsa.ARIMA(ts, order=(5, 1, 2))
model = model.fit()
results_ARIMA=model.predict(typ='levels')
concatenated = pd.concat([ts, results_ARIMA], axis=1, keys=['original', 'predicted'])
concatenated.head(10)
original predicted
login_time
1970-01-01 20:00:00 2 NaN
1970-01-01 20:15:00 6 2.000186
1970-01-01 20:30:00 9 4.552971
1970-01-01 20:45:00 7 7.118973
1970-01-01 21:00:00 1 7.099769
1970-01-01 21:15:00 4 3.624975
1970-01-01 21:30:00 0 3.867454
1970-01-01 21:45:00 4 1.618120
1970-01-01 22:00:00 9 2.997275
1970-01-01 22:15:00 8 6.300015
【讨论】：
在您指定的模型 (5, 1, 2) 中，您设置了 d = 1。这意味着您将数据差 1，或者换句话说，执行整个时间相关观察范围的转变以最小化拟合模型的残差。
有时，将 d 设置为 1 会导致 ACF / PACF 图的峰值更少和/或更少（即极端残差更少）。在这种情况下，如果您使用已拟合的模型来预测未来值，那么如果您应用差分，您的预测与您所拥有的观察结果的偏差将不会那么显着。
差分是通过 Y(differenced) = Y(t) - Y(t-d) 完成的，其中 Y(t) 是指在时间索引 t 处的观测值 Y，而 d 是指您应用的差分顺序。当您使用差分时，您的整个观察范围基本上会向右移动。这意味着您会在时间序列的左侧丢失一些数据。您损失多少时间点取决于您使用的差分顺序d。这就是您观察到的转变的来源。
This page 可能会提供更详细的解释（如果您想了解拟合 ARIMA 模型的整个过程，请确保单击并浏览那里的其他页面）。
希望这会有所帮助（或者至少让您对转变感到放心）！
最佳，
永远
【讨论】：