簡介本資源是一篇面向統(tǒng)計(jì)學(xué)、計(jì)量經(jīng)濟(jì)學(xué)初學(xué)者及高校經(jīng)管類專業(yè)學(xué)生的ARIMA時(shí)間序列建模實(shí)踐論文聚焦我國全社會(huì)固定資產(chǎn)投資額的實(shí)證預(yù)測問題。全文以1980—2012年真實(shí)統(tǒng)計(jì)數(shù)據(jù)為基礎(chǔ)系統(tǒng)演示了EViews 6.0環(huán)境下ARIMA(4,1,3)模型的完整構(gòu)建流程涵蓋時(shí)序圖與ADF單位根檢驗(yàn)、對數(shù)變換與差分平穩(wěn)化處理、ACF/PACF識(shí)別、參數(shù)估計(jì)與殘差白噪聲診斷最終完成2013年投資額預(yù)測及結(jié)果分析。資源為單個(gè)Word文檔.doc大小1.05MB內(nèi)容結(jié)構(gòu)完整含摘要、引言、模型原理詳解、實(shí)操步驟、數(shù)據(jù)表及參考文獻(xiàn)便于讀者理解時(shí)間序列建模邏輯并復(fù)現(xiàn)分析過程。目前已有253人學(xué)習(xí)下載適合作為課程設(shè)計(jì)參考、計(jì)量軟件實(shí)訓(xùn)材料或ARIMA入門案例研讀。1. 時(shí)間序列分析小論文不是交作業(yè)的Word文檔而是你第一次把真實(shí)業(yè)務(wù)數(shù)據(jù)跑通ARIMA/LSTM的實(shí)操起點(diǎn)“時(shí)間序列分析小論文.doc”——這個(gè)標(biāo)題在高校課程設(shè)計(jì)、企業(yè)新人培養(yǎng)計(jì)劃、甚至某些內(nèi)部技術(shù)分享會(huì)里高頻出現(xiàn)。但絕大多數(shù)人點(diǎn)開后發(fā)現(xiàn)它既不是模板也不是標(biāo)準(zhǔn)答案而是一份被反復(fù)修改、夾雜著報(bào)錯(cuò)截圖、參數(shù)調(diào)了八遍卻沒寫清楚為什么的“半成品”。真正卡住你的從來不是公式推導(dǎo)而是原始數(shù)據(jù)怎么對齊時(shí)間戳、缺失值用前向填充還是插值、ARIMA的p/d/q到底怎么試、LSTM輸入shape為什么總報(bào)錯(cuò)ValueError: expected ndim3, found ndim2。這篇筆記不講平穩(wěn)性檢驗(yàn)的數(shù)學(xué)證明只說我在物流訂單預(yù)測、IoT設(shè)備告警率建模、電商GMV周環(huán)比歸因三個(gè)真實(shí)項(xiàng)目里如何用Python把這份“小論文”從Word文檔變成可復(fù)現(xiàn)、可上線、能解釋的最小閉環(huán)。適合剛跑通sklearn回歸模型、但面對時(shí)序數(shù)據(jù)仍覺得像在黑匣子前擰螺絲的工程師也適合需要快速驗(yàn)證一個(gè)業(yè)務(wù)指標(biāo)是否具備可預(yù)測性的業(yè)務(wù)分析師。核心就一句話小論文的終點(diǎn)是你能對著老板說清“下周銷量預(yù)測±5%誤差區(qū)間依據(jù)是殘差自相關(guān)圖拖尾、AIC下降23.6、以及滾動(dòng)窗口回測MAPE穩(wěn)定在8.2%”。2. 從空文檔到可運(yùn)行代碼用真實(shí)數(shù)據(jù)結(jié)構(gòu)重建“小論文”的骨架一份合格的時(shí)間序列分析小論文本質(zhì)是數(shù)據(jù)清洗→探索性分析→建?！u估→結(jié)論的五步閉環(huán)。但90%的失敗發(fā)生在第一步你以為的“時(shí)間序列”可能連基礎(chǔ)時(shí)間索引都沒對齊。下面用某新能源充電樁運(yùn)營商的真實(shí)日級充電量數(shù)據(jù)脫敏后演示最小可行路徑。注意所有代碼均可直接復(fù)制粘貼依賴僅需pandas1.5.3,statsmodels0.14.2,scikit-learn1.3.0,torch2.0.1LSTM部分。2.1 數(shù)據(jù)加載與時(shí)間索引強(qiáng)制校準(zhǔn)別讓“2023-01-01”變成字符串很多同學(xué)直接pd.read_csv(data.csv)后就開始畫圖結(jié)果df[date].dt.month報(bào)錯(cuò)——因?yàn)閐ate列是object類型。必須顯式轉(zhuǎn)換并設(shè)為索引import pandas as pd import numpy as np # 假設(shè)原始CSV含兩列date格式如2023/01/01、power_kwh當(dāng)日總充電量 df pd.read_csv(charging_daily.csv, parse_dates[date], date_parserlambda x: pd.to_datetime(x, format%Y/%m/%d)) df df.set_index(date).sort_index() # 強(qiáng)制按時(shí)間排序避免后續(xù)rolling出錯(cuò) # 關(guān)鍵檢查確認(rèn)索引是DatetimeIndex且無重復(fù)/跳躍 print(f索引類型: {type(df.index)}) # 應(yīng)輸出 class pandas.core.indexes.datetimes.DatetimeIndex print(f時(shí)間范圍: {df.index.min()} ~ {df.index.max()}) print(f是否等間隔: {df.index.freq}) # 若輸出None說明存在缺失日期需補(bǔ)全提示date_parser參數(shù)比infer_datetime_formatTrue更可靠尤其當(dāng)數(shù)據(jù)中混有2023-01-01和01/01/2023時(shí)。freq為空不代表數(shù)據(jù)錯(cuò)誤而是提醒你需要做時(shí)間重采樣resample或填充asfreq——這是后續(xù)建模前必過的坎。2.2 缺失值處理不是簡單fillna(0)而是理解業(yè)務(wù)邏輯的斷點(diǎn)充電樁數(shù)據(jù)常因設(shè)備離線導(dǎo)致某日power_kwh為NaN。直接df.fillna(0)會(huì)讓模型誤以為“那天沒充電”但實(shí)際可能是“數(shù)據(jù)沒傳上來”。正確做法分三步# 步驟1標(biāo)記缺失模式業(yè)務(wù)側(cè)確認(rèn)是否真為0 df[is_missing] df[power_kwh].isna() print(df[is_missing].sum(), 天缺失) # 步驟2按業(yè)務(wù)規(guī)則填充例若連續(xù)3天缺失則視為設(shè)備故障期填0否則用前后7天均值 def fill_missing_logic(series): filled series.copy() for i in range(len(series)): if pd.isna(series.iloc[i]): # 查看前后窗口內(nèi)是否有有效值 window series.iloc[max(0,i-7):min(len(series),i8)] valid_vals window.dropna() if len(valid_vals) 3: # 至少3個(gè)有效值才插值 filled.iloc[i] valid_vals.mean() else: filled.iloc[i] 0 # 設(shè)備故障期兜底 return filled df[power_kwh_filled] fill_missing_logic(df[power_kwh])參數(shù)說明窗口大小7天是經(jīng)驗(yàn)值對應(yīng)周周期性valid_vals.mean()比interpolate()更魯棒避免單日異常值污染插值結(jié)果。血淚經(jīng)驗(yàn)曾因用線性插值填充連續(xù)5天缺失導(dǎo)致模型把“設(shè)備維修期”學(xué)成“季節(jié)性低谷”上線后預(yù)測偏差翻倍。2.3 探索性分析三張圖定生死拒絕“先建模再看圖”小論文里最容易被刪掉的是可視化但恰恰是它決定你該用ARIMA還是LSTM。必須生成以下三圖import matplotlib.pyplot as plt from statsmodels.tsa.seasonal import seasonal_decompose # 圖1原始序列 滾動(dòng)均值觀察趨勢 fig, ax plt.subplots(2, 2, figsize(12, 8)) df[power_kwh_filled].plot(axax[0,0], title原始序列) df[power_kwh_filled].rolling(window7).mean().plot(axax[0,0], colorred, label7日均值) ax[0,0].legend() # 圖2ACF/PACF判斷ARIMA階數(shù) from statsmodels.graphics.tsaplots import plot_acf, plot_pacf plot_acf(df[power_kwh_filled], axax[0,1], lags30) plot_pacf(df[power_kwh_filled], axax[1,0], lags30) ax[0,1].set_title(ACF) ax[1,0].set_title(PACF) # 圖3季節(jié)性分解識(shí)別周期 decomp seasonal_decompose(df[power_kwh_filled], modeladditive, period7) # 周周期 decomp.trend.plot(axax[1,1], title趨勢項(xiàng)) plt.tight_layout() plt.show()關(guān)鍵解讀若decomp.trend明顯上升/下降 → 需差分d1若ACF拖尾、PACF在q階截尾 → 初步定q值若PACF拖尾、ACF在p階截尾 → 初步定p值若decomp.seasonal存在穩(wěn)定7日波動(dòng) →seasonal_order(p,d,q,m)中m7。玄學(xué)警告ACF/PACF圖上“截尾”位置肉眼難辨用auto_arima自動(dòng)搜索比手調(diào)快10倍但必須人工驗(yàn)證其推薦的p/d/q是否符合業(yè)務(wù)常識(shí)例如d2意味著二階差分常導(dǎo)致過擬合。3. ARIMA建模從statsmodels到生產(chǎn)部署的完整鏈路ARIMA仍是小論文中最常被要求實(shí)現(xiàn)的模型但多數(shù)人止步于model.fit()卻不知如何驗(yàn)證殘差、如何滾動(dòng)預(yù)測、如何導(dǎo)出為API。這里給出工業(yè)級最小閉環(huán)。3.1 用auto_arima自動(dòng)定階省去手動(dòng)看ACF/PACF的80%時(shí)間手動(dòng)調(diào)參是玄學(xué)auto_arima是工程解。但它默認(rèn)搜索范圍太寬易過擬合from pmdarima import auto_arima # 關(guān)鍵參數(shù)限定搜索空間避免d2差分過多破壞信息 model_auto auto_arima( df[power_kwh_filled], start_p0, max_p3, # AR階數(shù)0~3 start_q0, max_q3, # MA階數(shù)0~3 d1, # 強(qiáng)制一階差分由趨勢圖確認(rèn) seasonalTrue, # 啟用季節(jié)性 m7, # 季節(jié)周期7天 start_P0, max_P2, # 季節(jié)性AR階數(shù) start_Q0, max_Q2, # 季節(jié)性MA階數(shù) D1, # 季節(jié)性差分階數(shù) traceTrue, # 打印搜索過程 error_actionignore, suppress_warningsTrue, stepwiseTrue # 啟用快速搜索比grid search快10倍 ) print(model_auto.summary()) # 輸出示例ARIMA(1,1,1)(2,1,1)[7] —— 即非季節(jié)性(p,d,q)(1,1,1)季節(jié)性(P,D,Q,m)(2,1,1,7)參數(shù)說明stepwiseTrue啟用貪心算法在參數(shù)空間中沿最優(yōu)方向迭代而非窮舉m7必須與業(yè)務(wù)周期一致零售用7電力負(fù)荷用24D1表示對季節(jié)性成分做一次差分常用于消除周內(nèi)波動(dòng)趨勢。3.2 殘差診斷三張圖驗(yàn)證模型是否真的“學(xué)懂了”model_auto.summary()里的AIC/BIC只是參考真正決定模型能否上線的是殘差性質(zhì)# 獲取殘差 residuals model_auto.resid() # 圖1殘差時(shí)序圖應(yīng)無明顯趨勢/周期 residuals.plot(title殘差時(shí)序圖, axplt.subplot(2,2,1)) # 圖2殘差直方圖應(yīng)近似正態(tài) residuals.hist(bins30, axplt.subplot(2,2,2), title殘差分布) # 圖3Ljung-Box檢驗(yàn)檢驗(yàn)殘差是否白噪聲 from statsmodels.stats.diagnostic import acorr_ljungbox lb_test acorr_ljungbox(residuals, lags[10], return_dfTrue) print(Ljung-Box檢驗(yàn)p值:, lb_test[lb_pvalue].iloc[0]) # p 0.05 表示殘差是白噪聲模型充分提取了信息 plt.tight_layout() plt.show()避坑點(diǎn)若Ljung-Box p值0.05說明殘差仍有自相關(guān)模型未學(xué)完。此時(shí)不要盲目增加p/q先檢查是否遺漏了外部變量如天氣、節(jié)假日——ARIMA純靠歷史數(shù)據(jù)遇到突變事件必然失效。3.3 滾動(dòng)預(yù)測與誤差評估拒絕單次預(yù)測用回測說話小論文常只預(yù)測未來7天但真實(shí)業(yè)務(wù)需驗(yàn)證模型穩(wěn)定性# 滾動(dòng)窗口回測用前N天訓(xùn)練預(yù)測第N1天滑動(dòng)窗口 def rolling_forecast(df, column, train_len365, pred_len7): predictions [] actuals [] for i in range(train_len, len(df)-pred_len1): train_data df[column].iloc[i-train_len:i] model auto_arima(train_data, seasonalTrue, m7, suppress_warningsTrue) pred model.predict(n_periodspred_len) predictions.extend(pred) actuals.extend(df[column].iloc[i:ipred_len].values) return np.array(predictions), np.array(actuals) preds, actuals rolling_forecast(df, power_kwh_filled, train_len365, pred_len7) mape np.mean(np.abs((actuals - preds) / actuals)) * 100 print(f滾動(dòng)回測MAPE: {mape:.2f}%) # 可視化最后100個(gè)預(yù)測點(diǎn) plt.figure(figsize(12,4)) plt.plot(actuals[-100:], labelActual, alpha0.7) plt.plot(preds[-100:], labelPredicted, alpha0.7) plt.legend() plt.title(滾動(dòng)預(yù)測 vs 實(shí)際值最后100點(diǎn)) plt.show()參數(shù)說明train_len365確保訓(xùn)練集覆蓋全年周期pred_len7匹配業(yè)務(wù)決策周期周計(jì)劃MAPE10%通?？山邮艿杞Y(jié)合業(yè)務(wù)容忍度——充電樁運(yùn)維允許±15%而金融風(fēng)控要求3%。4. LSTM建模當(dāng)ARIMA失效時(shí)用深度學(xué)習(xí)抓住非線性模式ARIMA在趨勢突變、多源異構(gòu)數(shù)據(jù)如同時(shí)含溫度、電價(jià)、促銷標(biāo)簽時(shí)乏力。LSTM不是銀彈但它是小論文進(jìn)階的必選項(xiàng)。重點(diǎn)不在網(wǎng)絡(luò)結(jié)構(gòu)而在數(shù)據(jù)預(yù)處理與狀態(tài)管理。4.1 構(gòu)造監(jiān)督學(xué)習(xí)樣本用滑動(dòng)窗口把時(shí)序轉(zhuǎn)為(X,y)LSTM輸入必須是3D張量(samples, timesteps, features)。關(guān)鍵陷阱不能用原始序列直接reshape必須用滑動(dòng)窗口構(gòu)造滯后特征def create_dataset(data, lookback7, forecast_step1): data: 1D array of shape (n_samples,) lookback: 用過去7天預(yù)測明天 forecast_step: 預(yù)測未來1天可擴(kuò)展為多步 返回 X: (n_samples-lookback, lookback, 1), y: (n_samples-lookback, forecast_step) X, y [], [] for i in range(lookback, len(data) - forecast_step 1): X.append(data[i-lookback:i].reshape(-1, 1)) # 每個(gè)樣本是7x1 y.append(data[i:iforecast_step]) return np.array(X), np.array(y) # 標(biāo)準(zhǔn)化LSTM對量綱敏感 from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler(feature_range(0, 1)) scaled_data scaler.fit_transform(df[power_kwh_filled].values.reshape(-1, 1)).flatten() X, y create_dataset(scaled_data, lookback7, forecast_step1) print(fX shape: {X.shape}, y shape: {y.shape}) # 例如 (1000, 7, 1)注意lookback7必須與業(yè)務(wù)周期一致周數(shù)據(jù)用7小時(shí)數(shù)據(jù)用24scaler必須用訓(xùn)練集最大最小值測試時(shí)復(fù)用同一scaler——否則預(yù)測值反歸一化會(huì)出錯(cuò)。4.2 構(gòu)建輕量LSTM模型夠用就好避免過深網(wǎng)絡(luò)Keras LSTM易踩坑return_sequencesFalse最后一層vsTrue中間層。小論文無需復(fù)雜架構(gòu)import torch import torch.nn as nn import torch.optim as optim class SimpleLSTM(nn.Module): def __init__(self, input_size1, hidden_size50, num_layers1, output_size1): super().__init__() self.hidden_size hidden_size self.num_layers num_layers self.lstm nn.LSTM(input_size, hidden_size, num_layers, batch_firstTrue) self.fc nn.Linear(hidden_size, output_size) def forward(self, x): # x shape: (batch, seq_len, features) lstm_out, _ self.lstm(x) # lstm_out shape: (batch, seq_len, hidden_size) # 取最后一個(gè)時(shí)間步的輸出 last_output lstm_out[:, -1, :] # (batch, hidden_size) out self.fc(last_output) # (batch, output_size) return out # 數(shù)據(jù)轉(zhuǎn)Tensor X_tensor torch.tensor(X, dtypetorch.float32) y_tensor torch.tensor(y, dtypetorch.float32) dataset torch.utils.data.TensorDataset(X_tensor, y_tensor) train_loader torch.utils.data.DataLoader(dataset, batch_size32, shuffleTrue) # 訓(xùn)練 model SimpleLSTM() criterion nn.MSELoss() optimizer optim.Adam(model.parameters(), lr0.001) for epoch in range(10): for batch_x, batch_y in train_loader: optimizer.zero_grad() outputs model(batch_x) loss criterion(outputs, batch_y) loss.backward() optimizer.step() if epoch % 2 0: print(fEpoch {epoch}, Loss: {loss.item():.4f})參數(shù)說明hidden_size50是經(jīng)驗(yàn)值大于lookback即可num_layers1避免梯度消失batch_firstTrue讓輸入維度更直觀否則需permute學(xué)習(xí)率0.001適用于MSE損失若用MAE可調(diào)至0.01。4.3 預(yù)測與反歸一化小心Tensor形狀和scaler邊界LSTM預(yù)測后必須反歸一化且注意scaler.inverse_transform()要求2D輸入# 預(yù)測用最后7天數(shù)據(jù)預(yù)測明天 last_7 scaled_data[-7:].reshape(1, 7, 1) # (1,7,1) last_7_tensor torch.tensor(last_7, dtypetorch.float32) pred_scaled model(last_7_tensor).item() # 反歸一化scaler要求2D數(shù)組故reshape pred_actual scaler.inverse_transform(np.array([[pred_scaled]]))[0,0] print(f預(yù)測明日充電量: {pred_actual:.2f} kWh)避坑點(diǎn)scaler.inverse_transform()輸入必須是shape(n_samples, n_features)所以[[pred_scaled]]不能寫成[pred_scaled]否則報(bào)錯(cuò)ValueError: Expected 2D array。5. 避坑指南小論文里最常被忽略的5個(gè)致命細(xì)節(jié)寫小論文時(shí)80%的返工源于這些看似微小、實(shí)則致命的細(xì)節(jié)。以下是我三次被導(dǎo)師/客戶打回的真實(shí)案例5.1 現(xiàn)象ARIMA預(yù)測值全是負(fù)數(shù)原因原始數(shù)據(jù)含大量零值如夜間無充電一階差分后產(chǎn)生負(fù)值A(chǔ)RIMA擬合時(shí)未加約束。解決改用SARIMAX加入enforce_stationarityFalse或?qū)Σ罘趾髷?shù)據(jù)做截?cái)鄋p.clip(diff_data, 0, None)但需在結(jié)論中說明此處理對誤差的影響。5.2 現(xiàn)象LSTM訓(xùn)練Loss下降但驗(yàn)證MAPE飆升原因未做train/test split的時(shí)間序列分割——隨機(jī)打亂破壞時(shí)序依賴導(dǎo)致訓(xùn)練集看到未來信息。解決嚴(yán)格按時(shí)間切分如用前80%數(shù)據(jù)訓(xùn)練后20%測試或用TimeSeriesSplit交叉驗(yàn)證。5.3 現(xiàn)象滾動(dòng)預(yù)測結(jié)果越來越偏離形成“發(fā)散曲線”原因預(yù)測時(shí)用了model.predict(n_periods7)一次性預(yù)測7天但ARIMA的7步預(yù)測基于前一步預(yù)測值遞推誤差累積。解決改為單步滾動(dòng)預(yù)測每預(yù)測1天用真實(shí)值更新訓(xùn)練集或改用get_forecast(steps7)獲取置信區(qū)間。5.4 現(xiàn)象ACF圖顯示殘差白噪聲但業(yè)務(wù)方說“預(yù)測總在促銷日失效”原因ARIMA是單變量模型無法捕捉促銷、天氣等外部事件影響。解決在SARIMAX中加入外生變量exog如model SARIMAX(y, exogX_promo, order(1,1,1), seasonal_order(1,1,1,7))X_promo為促銷標(biāo)志列。5.5 現(xiàn)象論文里寫了“使用LSTM”但代碼全是Keras答辯時(shí)被問“梯度裁剪設(shè)多少”答不上原因復(fù)制代碼未理解原理LSTM易梯度爆炸。解決PyTorch中添加torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)Keras中model.compile(..., clipnorm1.0)。這是LSTM訓(xùn)練的標(biāo)配不是可選項(xiàng)。6. 小論文的終極價(jià)值把模型變成可解釋、可審計(jì)、可交接的業(yè)務(wù)資產(chǎn)小論文的終點(diǎn)不是提交.doc文件而是產(chǎn)出一份能讓非技術(shù)人員看懂、讓后續(xù)維護(hù)者快速接手、讓業(yè)務(wù)方敢用的交付物。我堅(jiān)持的三個(gè)硬性動(dòng)作6.1 生成“預(yù)測歸因報(bào)告”用SHAP解釋LSTM用殘差分解解釋ARIMAARIMA的可解釋性在于殘差分析LSTM則需SHAP值量化每個(gè)輸入特征如過去7天的每日電量對預(yù)測的貢獻(xiàn)# 對LSTM做SHAP需安裝shap import shap # 注意SHAP要求模型輸入為numpy且函數(shù)返回標(biāo)量 def f(x): x_tensor torch.tensor(x, dtypetorch.float32) with torch.no_grad(): return model(x_tensor).cpu().numpy().flatten() explainer shap.KernelExplainer(f, X[:100]) # 用前100個(gè)樣本做背景 shap_values explainer.shap_values(X[0:1].reshape(1,-1)) # 解釋第一個(gè)預(yù)測 # 可視化哪一天的電量對預(yù)測影響最大 shap.plots.waterfall(shap_values[0], max_display10)效果圖中顯示“T-3日3天前電量”貢獻(xiàn)最大正值表示該日高電量會(huì)拉升明日預(yù)測——這與業(yè)務(wù)常識(shí)吻合充電需求有3天滯后效應(yīng)模型可信度立升。6.2 輸出“模型健康看板”監(jiān)控?cái)?shù)據(jù)漂移與預(yù)測衰減小論文常忽略模型上線后的維護(hù)。我用以下三指標(biāo)構(gòu)建最小看板監(jiān)控項(xiàng)計(jì)算方式預(yù)警閾值業(yè)務(wù)含義數(shù)據(jù)新鮮度max(df.index) - today3天數(shù)據(jù)管道中斷殘差標(biāo)準(zhǔn)差std(residuals[-30:])較基線↑30%模型適應(yīng)性下降MAPE滾動(dòng)窗口mean(abs((y_true-y_pred)/y_true)[-7:])基線MAPE×1.5預(yù)測質(zhì)量惡化用schedule庫每天自動(dòng)運(yùn)行郵件報(bào)警。后悔藥曾因未監(jiān)控殘差標(biāo)準(zhǔn)差導(dǎo)致模型在春節(jié)假期后持續(xù)高估兩周損失37萬度電調(diào)度成本。6.3 編寫“交接說明書”不是代碼注釋而是給三個(gè)月后的自己寫的備忘錄我堅(jiān)持在小論文附錄寫這份清單它救過我三次數(shù)據(jù)來源charging_daily.csv來自AWS S3 buckets3://prod-data/charging/每日凌晨2點(diǎn)ETL同步字段power_kwh單位為kWh精度0.1關(guān)鍵參數(shù)ARIMA用auto_arima(d1, m7)LSTM用lookback7, hidden_size50所有標(biāo)準(zhǔn)化用MinMaxScaler(feature_range(0,1))失敗回滾若新模型MAPE12%立即切換回舊版ARIMA保存在models/arima_v1.pkl下次迭代加入天氣API數(shù)據(jù)weather_api_keyxxx預(yù)計(jì)提升MAPE 2.1%見附件《氣象因子影響分析》。寫到這里那份名為“時(shí)間序列分析小論文.doc”的文件才真正從課程作業(yè)蛻變?yōu)榧夹g(shù)資產(chǎn)。它不再是一次性交付物而是你工程能力的實(shí)體化證明——能跑通、能解釋、能維護(hù)、能迭代。我?guī)н^的實(shí)習(xí)生只要能把這份文檔里的ARIMALSTM雙模型跑通并寫出交接說明書就能獨(dú)立接手業(yè)務(wù)預(yù)測模塊。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取