Я попытался выполнить прогноз с помощью модели ARIMA (с python). Значения P, D, Q, p, d, q определяются с помощью теста ADF, plot_acf, plot_pacf и могут быть переданы при необходимости.

Код упоминается ниже.

 import pandas as pd
from statsmodels.tsa.arima_model import ARIMA
import statsmodels.api as sm


df = pd.read_csv(r'https://github.com/sreerajva5/ML/raw/master/sample_data_ts.csv')
df['Date'] = pd.to_datetime(df['Date'])
df.set_index('Date', inplace=True)
model = sm.tsa.statespace.SARIMAX(df['sample_data'], order=(0,1,0), seasonal_order=(1,1,12,30))
result = model.fit()


future_dt = pd.Series(pd.date_range('2012-06-01', periods=60, freq='D'))
future_dt_df = pd.DataFrame(index=future_dt, columns=df.columns)
future_df = pd.concat([df, future_dt_df])
future_df['forecast'] = result.predict()
  

Я создал модель и попытался предсказать числа в течение следующих 60 дней (2 месяцев). Но прогнозируются значения первых пяти дней первого месяца и первых 5 дней второго месяца. Промежуточные значения не прогнозируются.

Полученный результат приведен ниже.

 "
2012-06-01  453.815056
2012-06-02  298.5604767
2012-06-03  270.5269854
2012-06-04  203.402702
2012-06-05  123.2703868

No values from predicted (its blank) against dates from 2012-06-06 to 2012-06-30
    
2012-07-01  475.5137062
2012-07-02  257.9273124
2012-07-03  272.8564157
2012-07-04  218.3305799
2012-07-05  123.9411595


Again no values from predicted (its blank) against dates from 2012-07-06 to 2012-07-30
"
  

В чем причина этого, и как я могу получить правильное предсказание?

подгонка: метод подгонки оценивает параметры с использованием последовательности / заданных данных таким образом, чтобы ошибка была минимальной.

прогнозировать: После того, как параметры модели оценены, метод может быть использован для прогнозирования данных поезда, а также может быть использован для прогнозирования невидимых данных. Использование predict без параметров start и end data позволит делать прогнозы для данных поезда. Давайте протестируем это

 assert len(result.predict()) == len(df)
ax = df.plot(figsize=(15,5))
result.predict().plot(ax=ax, label="predicted")
plt.legend()
  

Вывод:

Вы можете делать прогнозы для данных вне выборки / невидимых данных, указав начальный и конечный индексы. Мы будем делать прогнозы для полного набора дат, используя (0,len(future_df)-1) в качестве начального и конечного индекса.

 future_dt = pd.Series(pd.date_range('2012-06-01', periods=60, freq='D'))
future_dt_df = pd.DataFrame(index=future_dt, columns=df.columns)
future_df = pd.concat([df, future_dt_df])
future_df['forecast'] = result.predict(0,len(future_df)-1).values

# Lets plot it
ax = future_df['sample_data'][len(df)-10:].plot(figsize=(15,5))
future_df['forecast'][len(df)-10:].plot(ax=ax, label="predicted")
plt.legend()
  

прогноз: Этот метод представляет собой просто урезанную версию метода predict, который можно использовать для прогнозирования данных вне выборки / невидимых / будущих данных без необходимости в начальных и конечных значениях. Давайте сделаем прогноз на следующие 60 дней

 future_dt = pd.Series(pd.date_range('2012-06-01', periods=60, freq='D'))
future_dt = pd.DataFrame(index=future_dt)
future_dt['forecast'] = result.forecast(60).values

ax = future_df['sample_data'][len(df)-10:].plot(figsize=(15,5))
future_dt['forecast'].plot(figsize=(15,5))
plt.legend()
  

Решение первое:

Просто измените вашу последнюю строку с

 future_df['forecast'] = result.predict()
  

Для

 future_df['forecast'] = result.forecast(60)
  

сотворил бы волшебство.

Что вы сделали неправильно (мое предположение)

predict() Метод принимает start и end 2 аргумента. Вы вызвали функцию, не сообщив ей, с чего начать прогнозирование и когда остановиться, поэтому это не сработало.

Тем не менее, вы получили прогнозы для первых 5 дней июня и июля, я предполагаю, что есть некоторые значения по умолчанию. Я попытался посмотреть это в документе, его там не было.

Имея эти знания о predict() методе, если вы все еще хотите использовать его вместо forecast() , что вы можете сделать, это:

 future_df['forecast'] = result.predict(start='2012-06-01', end='2012-07-30')
  

который также должен работать.