ARIMA模型實例講解：時間序列預測需要多少歷史資料？
雷鋒網按：本文源自美國機器學習專家 Jason Brownlee 的博客，雷鋒網編譯。
時間序列預測，究竟需要多少歷史資料？
顯然，這個問題並沒有一個固定的答案，而是會根據特定的問題而改變。
在本教程中，我們將基於 Python 語言，對模型輸入大小不同的歷史資料，對時間序列預測問題展開討論，探究歷史資料對 ARIMA 預測模型的性能影響。（雷鋒網注：ARIMA 全程是 Autoregressive Integrated Moving Average Model，即自回歸積分滑動平均模型）
具體來說，在本教程中，我們將：
● 載入標準資料集並輸入 ARIMA 模型；
● 對歷史資料年份進行敏感性分析；
● 分析敏感性分析的結果。
通過本例提供的範本，大家將可以根據各自特定的時間序列預測場景，展開類似的針對歷史資料大小的敏感性分析。
載入資料集
本例中我們使用來自澳大利亞氣象局的一份資料，該資料描述了墨爾本市 10 年（1981 - 1990年）內的每日最低氣溫，單位為攝氏度，觀測值共 3650 次。
以下代碼展示了如何載入資料庫，並生成 Pandas 庫中的 Series 物件。
# line plot of time series
from pandas import Series
from matplotlib import pyplot
# load dataset
series = Series.from_csv('daily-minimum-temperatures.csv', header=0)
# display first few rows
print(series.head(20))
# line plot of dataset
series.plot
pyplot.show
運行代碼後列印得到的前 20 行資料如下所示：
根據載入資料，可以得到如下圖所示的溫度變化曲線，從圖頭中可以看到明顯的季節性變化。
搭建 ARIMA 預測模型
在本節中，我們將基於以上資料搭建一個 ARIMA 預測模型。
這裡我們不會調整模型參數。而且，為了對資料平穩化並適配 ARIMA 模型，必須先刪除資料中包含的明顯的季節性變化趨勢。
以下代碼中，我們通過減去前一年資料的辦法來獲得資料的季節性差異。需要說明的是，這種方法是很粗糙的，因為它並沒有考慮閏年的因素。而且，這也意味著第一年的資料將無法用於建模，
# seasonal difference
differenced = series.diff(365)
# trim off the first year of empty data
differenced = series[365:]
接下來，我們將資料導入 ARIMA(7,0,0) 模型，並列印輸出匯總資訊。
# fit model
model = ARIMA(differenced, order=(7,0,0))
model_fit = model.fit(trend='nc', disp=0)
print(model_fit.summary)
列印輸出的匯總資訊如下：
歷史資料的敏感性分析
這一節我們將討論歷史資料大小對模型預測性能的影響。
上文提到，我們原本有 10 年的原始資料，
下面這行代碼將經過季節性調整的資料分為訓練資料和測試資料。
train, test = differenced[differenced.index
需要注意的是，這裡根據自己的問題預測規模，選擇合適的間隔很重要。本例中我們未來對歷史資料量進行敏感性分析進行了步進操作。另外，鑒於資料的季節性，本例中一年是資料集的最好的時間間隔。但感興趣的朋友根據問題域的變化也可以選擇其他間隔，例如閱讀或者多年時間間隔。
以下是具體代碼：
# split
train, test = differenced[differenced.index
years = ['1989', '1988', '1987', '1986', '1985', '1984', '1983', '1982']
for year in years:
# select data from 'year' cumulative to 1989
dataset = train[train.index >= year]
定好了資料之後，下一步是評估 ARIMA 模型。
具體的步進評估方法是：首先選取一個時間段的資料，並根據選定資料建模，訓練，然後對下一段資料進行預測，預測後記錄資料並計算正確率。接著，將真實的觀察資料加入建模資料，建立新的模型並展開訓練，對再下一段資料進行預測，並記錄結果。依次進行，知道資料用完。
最終，預測結果將被集合在一起，與真實觀察資料中的最後一年比較，計算出錯誤情況。在這種情況下，RMSE 將被用作預測得分，並將與觀察結果的數量級等同。
具體代碼如下：
# walk forward over time steps in test
values = dataset.values
history = [values[i] for i in range(len(values))]
predictions = list
test_values = test.values
for t in range(len(test_values)):
# fit model
model = ARIMA(history, order=(7,0,0))
model_fit = model.fit(trend='nc', disp=0)
# make prediction
yhat = model_fit.forecast[0]
predictions.append(yhat)
history.append(test_values[t])
rmse = sqrt(mean_squared_error(test_values, predictions))
print('%s-%s (%d values) RMSE: %.3f' % (years[0], year, len(values), rmse))
運行代碼後的列印輸出結果如下。需要注意的是，因為代碼在每個歷史訓練資料間隔都創建了 356 個 ARIMA 模型，因此可能需要一些時間。
1989-1989 (365 values) RMSE: 2.336
1989-1988 (730 values) RMSE: 2.333
1989-1987 (1095 values) RMSE: 2.326
1989-1986 (1460 values) RMSE: 2.321
1989-1985 (1825 values) RMSE: 2.320
1989-1984 (2190 values) RMSE: 2.320
1989-1983 (2555 values) RMSE: 2.318
1989-1982 (2920 values) RMSE: 2.316
從結果可以看到，隨著可用歷史資料的增多，模型的誤差總體呈下降趨勢。
但同時也應該看到，在 4-5 年的時間段，不斷增長歷史資料的效果收益率實際上是遞減的。也就是說，在歷史資料不足或模型訓練時間無法滿足要求時，也可以根據實際需求，利用相對較少的歷史資料，得到一個性價比最高的結果。
以下代碼是根據測試資料繪製曲線圖的過程。
from matplotlib import pyplot
x = [365, 730, 1095, 1460, 1825, 2190, 2555, 2920]
y = [2.336, 2.333, 2.326, 2.321, 2.320, 2.320, 2.318, 2.316]
pyplot.plot(x, y)
pyplot.show
運行後得到的曲線如圖所示。
從曲線圖可以更清晰地看到總體上歷史資料越多，預測結果就更精確這一變化趨勢。因為歷史資料越多，就意味著係數的優化越精確，符合資料變化的內在規律的可能性就越高。
但同時也可以從上圖中看到另一個現象：大多數時候人們覺得歷史資料越多，模型的表現就越好。但實際上，連續兩年或三年的資料之間並沒有什麼根本性的差別，因此靈活選擇時間跨度也至關重要。
局限性和擴展
我們通過本次教程為大家演示了如何設計、執行和分析基於時間序列預測的歷史資料敏感性分析。現針對樣例中的一些局限和可能的擴展項目整理如下：
1. 模型參數未調試。本例中我們使用的 ARIMA 模型並未針對問題域進行過任何的參數調節。在理想狀態下，一個針對歷史資料量的敏感性分析應該基於一個經過參數調節的 ARIMA 模型。
2. 統計學意義。上文中提到的，針對不同的歷史資料，模型的不同預測表現是否具有統計學意義，目前尚不清楚。但 Pairwise 統計學顯著性檢驗可用於評估 RMSE 的差異是否有意義。
3. 其他模型。本例中我們使用了 ARIMA 模型來進行歷史資料的係數擬合。感興趣的朋友可以換用其他模型進行類似的研究，各個模型對歷史資料的敏感性和處理方式也各不相同。
4. 其他時間間隔。本例中我們以一年為時間間隔，但實際上也可以選擇其他間隔。例如幾個星期、幾個月或者幾年，要根據不同的問題域靈活選擇。另外，如上文所述，還要考慮相鄰時間段之間資料的相似性，這也是一個很重要的影響因素。
train, test = differenced[differenced.index
需要注意的是，這裡根據自己的問題預測規模，選擇合適的間隔很重要。本例中我們未來對歷史資料量進行敏感性分析進行了步進操作。另外，鑒於資料的季節性，本例中一年是資料集的最好的時間間隔。但感興趣的朋友根據問題域的變化也可以選擇其他間隔，例如閱讀或者多年時間間隔。
以下是具體代碼：
# split
train, test = differenced[differenced.index
years = ['1989', '1988', '1987', '1986', '1985', '1984', '1983', '1982']
for year in years:
# select data from 'year' cumulative to 1989
dataset = train[train.index >= year]
定好了資料之後，下一步是評估 ARIMA 模型。
具體的步進評估方法是：首先選取一個時間段的資料，並根據選定資料建模，訓練，然後對下一段資料進行預測，預測後記錄資料並計算正確率。接著，將真實的觀察資料加入建模資料，建立新的模型並展開訓練，對再下一段資料進行預測，並記錄結果。依次進行，知道資料用完。
最終，預測結果將被集合在一起，與真實觀察資料中的最後一年比較，計算出錯誤情況。在這種情況下，RMSE 將被用作預測得分，並將與觀察結果的數量級等同。
具體代碼如下：
# walk forward over time steps in test
values = dataset.values
history = [values[i] for i in range(len(values))]
predictions = list
test_values = test.values
for t in range(len(test_values)):
# fit model
model = ARIMA(history, order=(7,0,0))
model_fit = model.fit(trend='nc', disp=0)
# make prediction
yhat = model_fit.forecast[0]
predictions.append(yhat)
history.append(test_values[t])
rmse = sqrt(mean_squared_error(test_values, predictions))
print('%s-%s (%d values) RMSE: %.3f' % (years[0], year, len(values), rmse))
運行代碼後的列印輸出結果如下。需要注意的是，因為代碼在每個歷史訓練資料間隔都創建了 356 個 ARIMA 模型，因此可能需要一些時間。
1989-1989 (365 values) RMSE: 2.336
1989-1988 (730 values) RMSE: 2.333
1989-1987 (1095 values) RMSE: 2.326
1989-1986 (1460 values) RMSE: 2.321
1989-1985 (1825 values) RMSE: 2.320
1989-1984 (2190 values) RMSE: 2.320
1989-1983 (2555 values) RMSE: 2.318
1989-1982 (2920 values) RMSE: 2.316
從結果可以看到，隨著可用歷史資料的增多，模型的誤差總體呈下降趨勢。
但同時也應該看到，在 4-5 年的時間段，不斷增長歷史資料的效果收益率實際上是遞減的。也就是說，在歷史資料不足或模型訓練時間無法滿足要求時，也可以根據實際需求，利用相對較少的歷史資料，得到一個性價比最高的結果。
以下代碼是根據測試資料繪製曲線圖的過程。
from matplotlib import pyplot
x = [365, 730, 1095, 1460, 1825, 2190, 2555, 2920]
y = [2.336, 2.333, 2.326, 2.321, 2.320, 2.320, 2.318, 2.316]
pyplot.plot(x, y)
pyplot.show
運行後得到的曲線如圖所示。
從曲線圖可以更清晰地看到總體上歷史資料越多，預測結果就更精確這一變化趨勢。因為歷史資料越多，就意味著係數的優化越精確，符合資料變化的內在規律的可能性就越高。
但同時也可以從上圖中看到另一個現象：大多數時候人們覺得歷史資料越多，模型的表現就越好。但實際上，連續兩年或三年的資料之間並沒有什麼根本性的差別，因此靈活選擇時間跨度也至關重要。
局限性和擴展
我們通過本次教程為大家演示了如何設計、執行和分析基於時間序列預測的歷史資料敏感性分析。現針對樣例中的一些局限和可能的擴展項目整理如下：
1. 模型參數未調試。本例中我們使用的 ARIMA 模型並未針對問題域進行過任何的參數調節。在理想狀態下，一個針對歷史資料量的敏感性分析應該基於一個經過參數調節的 ARIMA 模型。
2. 統計學意義。上文中提到的，針對不同的歷史資料，模型的不同預測表現是否具有統計學意義，目前尚不清楚。但 Pairwise 統計學顯著性檢驗可用於評估 RMSE 的差異是否有意義。
3. 其他模型。本例中我們使用了 ARIMA 模型來進行歷史資料的係數擬合。感興趣的朋友可以換用其他模型進行類似的研究，各個模型對歷史資料的敏感性和處理方式也各不相同。
4. 其他時間間隔。本例中我們以一年為時間間隔，但實際上也可以選擇其他間隔。例如幾個星期、幾個月或者幾年，要根據不同的問題域靈活選擇。另外，如上文所述，還要考慮相鄰時間段之間資料的相似性，這也是一個很重要的影響因素。