正文

ts过程识别入门实战从信号预处理到ARIMA模型搭建及Python代码详解

/0 浏览量
1006

你好呀！看到你想入门时间序列分析，我特别开心。说实话，很多初学者（包括当年的我）都被 ARIMA 这几个字母吓到了，觉得那是金融分析师或气象专家的高深武器。

但其实，时间序列分析的本质很简单：看看过去，猜猜未来。

今天这篇教程，我不给你堆砌晦涩的数学公式，而是带你跑通一个真实的、从“脏数据”到“预测模型”的完整闭环。我们会用到一个非常经典的股票收盘价数据集，一步步拆解每一步在干什么。如果你跟着敲代码，半小时后你就能理解整个过程。

准备好了吗？我们开始吧。

第一步：为什么“原始数据”不能直接用？

想象一下，你站在喧闹的菜市场里听别人说话，周围全是噪音。时间序列数据往往就是这样——充满了随机波动（噪声）。如果我们直接把原始数据丢进模型，模型会被这些杂音带偏，学得全是乱码。

所以，信号预处理不是为了好看，而是为了“去噪”，让趋势更清晰。

1.1 数据加载与初步观察

我们先用 Python 的 yfinance 库拉取一些真实数据，或者使用 statsmodels 内置的示例数据。为了演示方便，这里我们用 statsmodels 自带的 airline 数据集（每月乘客数量），因为它既有趋势又有季节性，非常典型。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.tsa.stattools import adfuller
import warnings
warnings.filterwarnings('ignore')

# 设置中文显示和绘图风格
plt.style.use('seaborn-v0_8-whitegrid')
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 加载经典的月度航空公司乘客数据
from statsmodels.datasets import get_dataset
data = get_dataset('airline', package='statsmodels.datasets')
df = pd.DataFrame(data.data)
df.index = pd.date_range(start='1949-01-01', periods=len(df), freq='MS')
df.columns = ['passengers']

# 简单的可视化
df.plot(figsize=(12, 6), title='原始数据：看似杂乱，实则蕴含规律')
plt.ylabel('乘客数量')
plt.xlabel('时间')
plt.show()

看上面的图，你会注意到两件事：

  1. 趋势（Trend）：整体是向上走的。
  2. 季节性（Seasonality）：每年夏季都会出现一个波峰。

这时候，直接拟合模型可能会失败，因为数据不是“平稳”的。什么是平稳？简单说，就是数据的均值和方差不随时间变化。我们的原始数据均值一直在变，所以它是非平稳的。

1.2 稳定性检验：ADF 检验

在建模前，我们必须用 ADF 检验（Augmented Dickey-Fuller Test） 来确认数据是否平稳。

def check_stationarity(series, name='Series'):
    print(f'--- 检验 {name} 的平稳性 ---')
    result = adfuller(series)
    print(f'ADF 统计量: {result[0]:.4f}')
    print(f'P 值: {result[1]:.4f}')
    
    if result[1] < 0.05:
        print(f'结论: P值 < 0.05，数据是平稳的 (拒绝原假设)')
    else:
        print(f'结论: P值 >= 0.05，数据是非平稳的 (不能拒绝原假设)')
    print('-' * 30)

# 检验原始数据
check_stationarity(df['passengers'], '原始乘客数据')

输出结果通常会显示 P 值很大，这意味着数据是非平稳的。我们需要对它进行“处理”。

第二步：信号预处理——差分与去季节化

为了让数据变得平稳，我们最常用的两个工具是：差分（Differencing） 和 对数变换（Log Transformation）。

2.1 对数变换：压缩波动

时间序列中，如果波动幅度随着数值增大而变大（比如股票价格，涨得越多波动越大），我们可以取对数来稳定方差。

df['log_passengers'] = np.log(df['passengers'])
df['log_passengers'].plot(figsize=(12, 4), title='对数变换后：方差更稳定')
plt.show()

check_stationarity(df['log_passengers'], '对数变换后')

注意：对数变换后，P 值可能变小了，但数据依然有季节性波动，均值依然随时间变化。我们需要下一步。

2.2 差分（Differencing）：去除趋势

一阶差分就是“今天减去昨天”。这能去除线性趋势。

df['diff_1'] = df['log_passengers'].diff(1)

# 丢弃第一行 NaN
df_diff = df.dropna()
df_diff['diff_1'].plot(figsize=(12, 4), title='一阶差分后：去除了趋势')
plt.show()

check_stationarity(df_diff['diff_1'], '一阶差分后')

现在 P 值应该小于 0.05 了！说明一阶差分已经去掉了趋势，数据变得平稳了。

2.3 季节性差分：去除周期

但是，ARIMA 模型中的 “I”（Integrated，差分阶数）通常只处理趋势。对于明显的季节性数据（比如航空乘客），我们还需要处理季节性。

我们可以使用 seasonal_decompose 来可视化分解结果，或者直接进行季节性差分（间隔12个月的差分）。

# 季节性差分：当前值 - 12个月前的值
df['seasonal_diff'] = df['log_passengers'].diff(12)
df_seasonal = df.dropna()

df_seasonal['seasonal_diff'].plot(figsize=(12, 4), title='季节性差分后：去除了周期')
plt.show()

check_stationarity(df_seasonal['seasonal_diff'], '季节性差分后')

这时候，数据既平稳，又去除了季节性趋势。接下来，我们要决定用什么样的 ARIMA 模型。

第三步：ARIMA 模型参数选择（P, D, Q）

ARIMA 全称是 AutoRegressive Integrated Moving Average，也就是自回归积分滑动平均模型。它有三个参数：

  • P (AR, 自回归阶数)：利用过去的多少时间点数据来预测现在？
  • D (I, 差分阶数)：为了让数据平稳，需要差分几次？（我们刚才做了1次一阶差分，所以 D=1）
  • Q (MA, 滑动平均阶数)：利用过去的预测误差来调整现在？

如何确定 P 和 Q？这需要看 ACF（自相关函数） 和 PACF（偏自相关函数） 图。

3.1 观察 ACF 和 PACF

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# 注意：这里我们使用一阶差分后的数据来画 ACF/PACF，因为模型是基于平稳序列构建的
# 我们使用 df_diff['diff_1'] 作为基础
plot_acf(df_diff['diff_1'], lags=40, ax=axes[0], title='ACF (自相关函数)')
plot_pacf(df_diff['diff_1'], lags=40, ax=axes[1], method='ywm', title='PACF (偏自相关函数)')

plt.tight_layout()
plt.show()

怎么看这两个图？

  • ACF：看蓝色的阴影区域外面还有多少根柱子？如果第一根柱子在外，后面迅速衰减，可能 MA 阶数 Q=1。
  • PACF：看第几个柱子之后开始进入阴影区域（不显著）？

小白技巧：对于航空数据这种强季节性数据，手动选参数很麻烦。在实际工作中，我们通常使用 AutoARIMA 库来自动寻找最优参数，或者通过尝试几个常见组合来对比。

为了让你理解原理，我们手动选取一个经典组合：ARIMA(1, 1, 1) x (1, 1, 1, 12)。

  • (1, 1, 1) 处理非季节性部分。
  • (1, 1, 1, 12) 处理季节性部分（因为数据是每月的，周期为12）。

如果你不想用手算，可以用 pmdarima 库自动搜索：

# 如果没有安装，请运行: pip install pmdarima
from pmdarima import auto_arima

# 自动搜索最佳参数
stepwise_fit = auto_arima(
    df['passengers'],
    seasonal=True,          # 开启季节性检测
    m=12,                   # 周期为12个月
    trace=True,             # 打印搜索过程
    suppress_warnings=True,
    error_action='ignore',
    stepwise=True
)

print(stepwise_fit.summary())
print(f"最佳参数: {stepwise_fit.order}, 季节性参数: {stepwise_fit.seasonal_order}")

通常自动选择的结果会是 (1, 1, 1) 和 (1, 1, 1, 12)。我们就用这个吧！

第四步：搭建与训练模型

现在我们用 statsmodels 来正式建立 SARIMAX 模型（ARIMA 的季节性扩展版）。

from statsmodels.tsa.statespace.sarimax import SARIMAX

# 定义模型
# order=(p,d,q): 非季节性参数
# seasonal_order=(P,D,Q,m): 季节性参数
model = SARIMAX(df['passengers'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))

# 训练模型
results = model.fit()

# 打印模型摘要，看看各项指标
print(results.summary())

如何看懂输出结果？

  1. Log Likelihood: 越大越好。
  2. AIC / BIC: 越小越好。这是衡量模型拟合优度和复杂度的平衡指标。
  3. coef (系数): 看看哪些变量显著。如果 P>|z| 列的值小于 0.05，说明该系数显著不为0，是有效的。

第五步：模型诊断——你确定模型没毛病吗？

很多初学者建模就结束了，这是大错特错！你必须检查残差（Residuals）。

残差应该是白噪声：即残差之间没有相关性，均值为0，方差恒定。如果残差还有规律，说明模型没把信息学干净，还可以优化。

# 绘制残差分析图
results.plot_diagnostics(lags=12, figsize=(12, 8))
plt.tight_layout()
plt.show()

你需要关注的地方：

  1. 实际 vs 拟合 (Observed vs Fitted)：蓝线（拟合值）应该紧紧跟随红线（实际值）。
  2. 残差直方图 (Residuals)：应该是一个对称的钟形曲线（正态分布）。
  3. 散点图 (Residuals vs Fitted)：点应该随机分布在0附近，不要形成漏斗状或曲线状。
  4. Correlogram (ACF of Residuals)：所有柱子都应该在阴影区域内（不显著相关）。如果有柱子伸出阴影，说明还有自相关没被捕捉。

如果 ACF 图里还有柱子伸出来，你可以尝试调整 P 或 Q 的值，或者增加季节性阶数，重新训练。

第六步：预测未来

模型诊断通过后，我们就可以预测未来了。假设我们要预测接下来 12 个月（1960年）的数据。

# 预测未来12步
forecast = results.get_forecast(steps=12)

# 获取预测值的均值和置信区间
forecast_mean = forecast.predict_mean
forecast_ci = forecast.conf_int()

# 将结果合并回原数据以便绘图
forecast_df = pd.DataFrame({
    'forecast': forecast_mean,
    'lower': forecast_ci.iloc[:, 0],
    'upper': forecast_ci.iloc[:, 1]
}, index=pd.date_range(start='1960-01-01', periods=12, freq='MS'))

# 绘图
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['passengers'], label='历史数据', color='blue')
plt.plot(forecast_df.index, forecast_df['forecast'], label='预测值', color='red', linewidth=2)
plt.fill_between(forecast_df.index, forecast_df['lower'], forecast_df['upper'], color='red', alpha=0.2, label='95% 置信区间')

plt.title('ARIMA 模型：未来12个月乘客数量预测')
plt.xlabel('时间')
plt.ylabel('乘客数量')
plt.legend()
plt.grid(True)
plt.show()

看那个红色的阴影区域了吗？那就是不确定性。时间越远，阴影越宽，意味着我们越不确定。这是预测的正常现象，不要指望一条直线就能精准击中未来。

第七步：评估模型效果

光看图不够，我们需要量化指标。常用的有 RMSE (均方根误差) 和 MAPE (平均绝对百分比误差)。

from sklearn.metrics import mean_squared_error, mean_absolute_percentage_error

# 为了演示评估，我们可以使用训练数据进行“样本内”预测对比
# 获取模型拟合值（in-sample fit）
fitted_values = results.fittedvalues

# 计算 RMSE
rmse = np.sqrt(mean_squared_error(df['passengers'][1:], fitted_values))  # 注意对齐索引，去掉第一个NaN
print(f"训练集 RMSE: {rmse:.2f}")

# 计算 MAPE
# 注意：sklearn 的 MAPE 在真实值为0时会报错，这里数据没有0，放心用
mape = mean_absolute_percentage_error(df['passengers'][1:], fitted_values) * 100
print(f"训练集 MAPE: {mape:.2f}%")

MAPE 为 5% 意味着平均预测误差在 5% 左右，对于这种波动较大的经济数据来说，已经是一个相当不错的结果了。

总结与避坑指南

恭喜你！你已经走完了一个完整的时间序列分析流程。让我们快速回顾一下：

  1. 可视化：先看数据，找趋势和季节。
  2. 平稳性检验：ADF 检验是必须的。
  3. 预处理：差分（去趋势）和对数变换（稳方差）。
  4. 参数定阶：看 ACF/PACF 图，或者用 AutoARIMA 自动搜索。
  5. 建模与诊断：训练模型后，务必检查残差是否为白噪声。
  6. 预测与评估：用 RMSE/MAPE 说话。

给初学者的几个“血泪”建议：

  • 不要盲目套用公式：ARIMA 不是万能的。如果数据有极强的非线性关系，或者受外部因素（如节假日、促销）影响巨大，简单的 ARIMA 效果可能不好。这时候可以考虑 Prophet（Facebook开源）或 LSTM（深度学习）。
  • 数据泄露是魔鬼：在做预测时，永远只用“过去”的数据预测“未来”。不要利用未来的信息来训练过去的模型。
  • 季节性差分不一定非要做：如果 seasonal_decompose 显示季节性很强，做季节性差分（D_s > 0）效果通常比不做要好。但如果季节性很弱，强行加季节性参数反而会过拟合。
  • 保持耐心：调参是一个迭代的过程。第一次模型如果不理想，检查残差，调整 P/D/Q，再试。

时间序列分析是一门艺术，也是一门科学。希望这篇指南能帮你打开这扇大门。如果你在实际操作中遇到报错，或者想尝试其他模型（比如 Exponential Smoothing 指数平滑），随时可以再来问我！

祝你代码跑得通，预测准又稳！

-- 展开阅读全文 --