Python用ARIMA ，ARIMAX预测商店商品销售需求时间序列数据

本文在相对简单的数据集上探索不同的时间序列技术。

给定 5 年的商店商品销售数据，并要求您预测 10 家不同商店的 50 种不同商品在 3 个月内的销售额。

处理季节性的最佳方法是什么？商店应该单独建模，还是可以将它们合并在一起？

商店项目需求预测

自回归综合移动平均线 (ARIMA)

这 ​​ARIMA​​ 模型是可应用于非平稳时间序列的 ARMA 模型的推广。

import time
import pandas as pd

%matplotlib inline

加载数据

d_trn = pd.rad_csv('../inuraicsv, prse_tes=date'], inx_col['te'])
d_ts = pd.ra_csv'../iputst.csv', prse_des=['date'], ine_col['d

所有商店似乎都显示出相同的趋势和季节性。

ARIMAX

带解释变量的自回归综合移动平均线 (ARIMAX) 是 ARIMA 的扩展版本，其中包括独立的预测变量。

准备数据

mnths = df_rinindx.nth

df_ran.drpna(iplac=True)
d_trin.head()

import datetime

dumymns = pd.get_dummies(moth)

prev_uate_dates = d_tet_x.index - datie.timedelta(das=91)
dfetex.head()

构建模型

si1 = d_rin.loc[(d_tin['store'] == 1) & (_tran['ie'] == 1), 'ses']
exog_s1i1 = df_train.loc[(df_train['store'] == 1) & (df_train['item'] == 


ax = SARIMAX(si1.loc['2013-12-31':], exog=exog
                                   nfoceinvetiblity=alse,enforce_ationarity=False, 

作出预测

        nog = df_rai.loc[(ftrin['str'] == s) & (df_rin['te'] == i), 'als']
        
        SARIMAX(endog=edog exog=xo,
                                           enorce_invtiilit=False, eorce_statnarityFalse, freq='D',
                                           order=(7,0,0)).fit()
       
        tc = time.time()

示例预测

xg = f_rin.loc[(df_rin[ste'] == 10) & (d_tri['itm'] == 50)].drop(['', 'ite', 'sas'], axis=1)
forast = arax.predict

​