经典又好用的时间序列模型ARIMA

资 源 简 介

经典又好用的时间序列模型ARIMA

详 情 说 明

ARIMA（自回归差分整合移动平均模型）是时间序列预测领域的经典工具，特别适合具有明显趋势或季节性的数据。其核心思想是通过差分运算将非平稳序列转化为平稳序列，再结合自回归和移动平均组件进行建模。

该模型由三个关键参数组成：p（自回归阶数）代表当前值与历史值的依赖关系，d（差分次数）消除数据不平稳性，q（移动平均阶数）反映误差项的历史影响。实际建模时需要先通过ADF检验判断平稳性，观察自相关图（ACF）和偏自相关图（PACF）确定参数范围。

相比梯度提升等机器学习方法，ARIMA在中小规模数据、线性关系明显的场景中表现更稳定，且具备白盒化的优势——各参数都有明确的统计学解释。但它对非线性模式捕捉较弱，此时可考虑SARIMA（支持季节性）或与神经网络结合的混合模型。完整的ARIMA建模流程包含数据平稳化处理、模型拟合、AIC准则评估和残差诊断四个标准步骤。