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？
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
视频
在Python和R语言中建立EWMA，ARIMA模型预测时间序列
热门视频
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()
随时关注您喜欢的主题
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
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
【视频】R语言支持向量回归SVR预测水位实例讲解|附代码数据
数据分享|R语言Python机器学习预测4案例合集：众筹平台、机票折扣、糖尿病患者、员工满意度
R语言神经网络模型金融应用预测上证指数时间序列可视化
R语言用随机森林模型的酒店收入和产量预测误差分析
