如何在 python statsmodels 中使用 X-13-ARIMA 获得预测

Question

我正在尝试从 python 3 中的 statsmodels 库运行 X-13-ARIMA 模型。

我在 statsmodels 文档中找到了这个示例：

dta = sm.datasets.co2.load_pandas().data
dta.co2.interpolate(inplace=True)
dta = dta.resample('M').sum()

res = sm.tsa.x13_arima_select_order(dta.co2)
print(res.order, res.sorder)

results = sm.tsa.x13_arima_analysis(dta.co2)

fig = results.plot()
fig.set_size_inches(12, 5)
fig.tight_layout()

这工作得很好，但我还需要预测这个时间序列的未来值。

tsa.x13_arima_analysis()

函数包含

forecast_years

参数，所以我认为它应该是可能的。然而;无论我选择什么值

results

参数，

forecast_years

对象似乎都不会改变。

如何获得预测值？

Answer 1

现在您可能已经拥有了这个。我检索了一些截至 2012 年 7 月的每月天气数据。我输入此语句进行分析。

results = sm.tsa.x13_arima_analysis(s, forecast_years=3)

然后（发现

results.results

很长）我输入了这个。

open('c:/scratch/result.txt', 'w').write(results.results)

通过查看此文件的“预测”，我发现了以下部分。

 FORECASTING
  Origin  2012.Jul
  Number         3

  Forecasts and Standard Errors of the Prior Adjusted Data
   ------------------------------
                         Standard
       Date   Forecast      Error
   ------------------------------
   2012.Aug      33.02      2.954
   2012.Sep      28.31      2.954
   2012.Oct      21.54      2.954
   ------------------------------

  Confidence intervals with coverage probability ( 0.95000
   ---------------------------------------
       Date      Lower  Forecast     Upper
   ---------------------------------------
   2012.Aug      27.23     33.02     38.82
   2012.Sep      22.52     28.31     34.10
   2012.Oct      15.75     21.54     27.33
   ---------------------------------------

forecast_years=3

似乎意味着进行三个月的预测，在本例中是从 7 月之后开始。

Answer 2

forecast_years=x 为我工作。请注意您正在运行的 statsmodels 版本（“pip freeze | grep statsmodels”），对于版本 10.2，预测范围的正确参数是 ，但在版本 11.0 及更高版本中，正确参数是 。

一个简单的正则表达式应该可以找到你的预测值：

202\d.\w{3}\s{6}\d\d.\d\d\s{5}\d\d.\d\d\s{5}\d\d.\d\d

（在结果的每一行上运行）

将匹配：

2020.Feb      18.04     32.25     46.47

Answer 3

回复较晚，但希望有帮助。

result = x13_arima_analysis(df[dependent_var],
                            tempdir=output_directory,
                            forecast_periods=12)

然后要在

result.results

输出中查找预测表，您必须通过表名称

id=fct

的 id 进行搜索。

from bs4 import BeautifulSoup
import pandas as pd

result_string = result.results 
soup = BeautifulSoup(result_string, 'lxml') 
specific_section = soup.find('div', id='fct') 
table = specific_section.find('table') if specific_section else None

这将为您提供表格的“字符串”版本。然后你就可以按照你想要的方式解析。我需要一个数据框（下面的示例）。

<table class="w70" summary="Confidence intervals with coverage probability 

( 0.95000)">
<caption><strong>Confidence intervals with coverage probability ( 0.95000) <br/> On the Original Scale</strong></caption>
<tr>
<th scope="col">Date</th>
<th scope="col">Lower</th>
<th scope="col">Forecast</th>
<th scope="col">Upper</th>
</tr>
<tr>
<th scope="row">2023.Aug</th>
<td>  3560.68    </td>
<td>  3694.21    </td>
<td>  3832.74    </td>
</tr>
<tr>
<th scope="row">2023.Sep</th>
<td>  3393.61    </td>
<td>  3579.02    </td>
<td>  3774.55    </td>
</tr>
<tr>
<th scope="row">2023.Oct</th>
<td>  3275.37    </td>
<td>  3491.64    </td>
<td>  3722.18    </td>

示例：

if table:
    dates, lowers, forecasts, uppers = [], [], [], []
    for row in table.find_all('tr')[1:]:  # skip the header row
        columns = row.find_all('td')
        date = row.find('th', scope='row').text
        lower, forecast, upper = [col.text.strip() for col in columns]
        
        dates.append(date.replace('.', '_'))
        lowers.append(float(lower))
        forecasts.append(float(forecast))
        uppers.append(float(upper))

    # Create a DataFrame
    df = pd.DataFrame({
        'Date': dates,
        'Lower': lowers,
        'Forecast': forecasts,
        'Upper': uppers
    })

>>
    Date    Lower  Forecast    Upper
0   2023_Aug  3560.68   3694.21  3832.74
1   2023_Sep  3393.61   3579.02  3774.55
2   2023_Oct  3275.37   3491.64  3722.18
3   2023_Nov  3070.97   3318.68  3586.36
4   2023_Dec  2895.54   3162.95  3455.05
5   2024_Jan  2884.05   3179.71  3505.69
6   2024_Feb  2901.60   3228.93  3593.18
7   2024_Mar  2979.65   3343.18  3751.07
8   2024_Apr  3008.83   3401.86  3846.23
9   2024_May  3068.21   3494.67  3980.41
10  2024_Jun  3089.83   3543.59  4064.00
11  2024_Jul  3066.04   3539.45  4085.96