簡介這套壓縮包面向時間序列分析初學者與數(shù)據(jù)分析從業(yè)者提供基于SARIMA模型的完整實戰(zhàn)代碼與配套數(shù)據(jù)可用于掌握季節(jié)性數(shù)據(jù)的建模、調參與預測流程。包內共7個文件以Python腳本、CSV數(shù)據(jù)集和IDE項目配置文件為主整體僅7KB體量輕便、便于快速下載使用。核心Python腳本覆蓋數(shù)據(jù)預處理、平穩(wěn)性檢查、參數(shù)搜索與模型選擇、訓練評估及未來預測等關鍵環(huán)節(jié)CSV數(shù)據(jù)為典型的每日女性出生人數(shù)序列具有明顯季節(jié)性適合作為SARIMA建模練習樣例xml/iml等配置文件僅為開發(fā)環(huán)境記錄不影響代碼運行。資源已有978人學習下載通過對照代碼實操讀者能理解SARIMA中自回歸、差分、移動平均及季節(jié)性成分的協(xié)同作用學會利用AIC/BIC等指標篩選參數(shù)并可將這套方法遷移至銷量、客流等常見季節(jié)性預測場景具有較強的實踐參考價值。1. SARIMA 時間序列預測實戰(zhàn)為什么參數(shù)搜索才是真正的門檻把周一到周日的門店客流丟進 ARIMA擬合殘差里總有一周規(guī)律在跳動——這就是 SARIMA 的出場時機。它比 ARIMA 多出來的那組參數(shù)專門負責把「整體趨勢」和「固定周期」拆開建模適合日度、周度、月度數(shù)據(jù)里的季節(jié)規(guī)律明顯、但又需要快速出結果的業(yè)務場景。標題里的「搜索調參」說的是 p/d/q 和 P/D/Q 這 6 組滯后階數(shù)m 是周期長度如周數(shù)據(jù) m7的確定方式六維網格手試太慢工程上常用自動搜索在一個限定范圍內跑再靠殘差診斷判斷能不能信。這套流程適合天天處理業(yè)務報表、用 pandas 洗數(shù)據(jù)但建模還靠人肉試參的從業(yè)者如果數(shù)據(jù)只有一兩個月SARIMA 的季節(jié)項會樣本不足這篇的排查清單也能幫你及時止損。2. SARIMA 參數(shù)體系拆解p/d/q 與 P/D/Q/m 各自在擬合什么2.1 多出來的一組參數(shù)在做什么從 ARIMA 到 SARIMAARIMA(p,d,q) 只做三件事p 用歷史觀測值d 做差分處理非平穩(wěn)趨勢q 用歷史誤差。它是把「昨天到今天」的慣性描述清楚。SARIMA 在此基礎上對「每隔 m 步」的關系再復制一套同樣的結構寫成 ARIMA(p,d,q)(P,D,Q)m。通俗點說非季節(jié)部分處理的是相鄰數(shù)據(jù)點之間的慣性季節(jié)部分處理的是「上周三到今天周三」這種跨周期慣性。這兩套參數(shù)在擬合過程中是分開計算的非季節(jié)項吸收趨勢和短周期波動季節(jié)項吸收周期性重復。實際業(yè)務數(shù)據(jù)往往是兩者疊加——銷售額既跟著大環(huán)境緩慢上漲趨勢又跟著周末反復波動周期。如果沒有季節(jié)項ARIMA 會把周期波動誤當成隨機噪聲的一部分導致殘差里留下明顯的周期性尖峰。怎么判斷數(shù)據(jù)需不需要 SARIMA最省事的方法是先跑一個 ARIMA對殘差畫 ACF 圖如果 lag7、14、21 附近出現(xiàn)明顯尖峰說明周期沒被吃干凈。這個判斷不需要統(tǒng)計檢驗肉眼掃一眼就夠。R 語言的 forecast 包里的 auto.arima 和 Python 的 pmdarima 用的是同一套搜索邏輯區(qū)別只在函數(shù)名和參數(shù)寫法理解了這個模型結構兩邊都能上手。2.2 季節(jié)周期 m 怎么定7、12 還是 52m 是 SARIMA 里唯一不靠搜索確定的參數(shù)它表示一個完整季節(jié)周期占多少個時間步。日度數(shù)據(jù)有周規(guī)律時 m7月度數(shù)據(jù)有年度規(guī)律時 m12小時數(shù)據(jù)有日內規(guī)律時 m24。這個映射看著簡單出錯率卻最高——很多人把「月」當成季節(jié)單位直接填 30結果模型把 30 天當成一個周期擬合出來的季節(jié)項完全沒有業(yè)務含義。選 m 之前先問自己一個問題這個序列里反復出現(xiàn)的規(guī)律間隔是多少個觀測點一個日度數(shù)據(jù)如果周一到周五高、周末低那間隔就是 7如果數(shù)據(jù)是每季度統(tǒng)計一次、每年有重復那間隔就是 4。m 給錯整個季節(jié)項都在擬合一個不存在的關系。還有一個實操約束m 越大計算量越離譜。m52 的周數(shù)據(jù)年度模型里季節(jié)自回歸項會引入稀疏的大矩陣auto_arima 的搜索速度會明顯變慢。如果數(shù)據(jù)真有年度周期但只有兩三年歷史我會先考慮按周聚合數(shù)據(jù)而不是硬上一個 m52 的季節(jié)模型。SARIMA 的季節(jié)項需要至少兩個完整周期才能估計出穩(wěn)定系數(shù)數(shù)據(jù)覆蓋不夠時季節(jié)項只是個擺設。2.3 平穩(wěn)化分工d 管趨勢D 管季節(jié)d 和 D 都叫差分干的活不一樣。d 是普通差分讓均值不再隨時間漂移D 是季節(jié)差分把上一個周期同位置的值減掉消除周期性帶來的均值偏移。一個序列如果既有上升趨勢又有周規(guī)律通常 d 取 1 或者 0D 取 0 或者 1很少需要大于 1。這兩個值不該交給自動搜索器原因很直接差分過度會直接破壞信號。d2 時序列已經被差了兩輪剩下的大多是噪聲D2 時季節(jié)信息被連續(xù)減掉兩次模型輸出的預測會快速退化成一條平線。我一般先用 statsmodels 里的 adfuller 測一下原序列的 p 值大于 0.05 就做一階差分再測確定 dD 的確定更簡單對數(shù)據(jù)做一次 m 步季節(jié)差分看 ACF 在 lagm 附近是否還有尖峰沒有就取 0有就取 1。這個「先定平穩(wěn)化階數(shù)再搜延遲階數(shù)」的順序是搜索調參里性價比最高的一步。把 d 和 D 固定住搜索器只需要在 p/q/P/Q 四個維度里跑組合數(shù)從幾萬降到幾百結果還更容易解釋。2.4 搜索之前先看兩張圖ACF/PACF 定 p、q 的粗邊界自動搜索流行之后很多人已經不畫 ACF 和 PACF 了但這兩張圖仍然有價值——不是用來精確定階而是給搜索器劃定合理的搜索范圍。下表是傳統(tǒng)定階規(guī)則的簡化版相關函數(shù)形態(tài)對應模型階數(shù)取值ACF 拖尾PACF 在 p 階截尾AR(p)p 取截尾階數(shù)ACF 在 q 階截尾PACF 拖尾MA(q)q 取截尾階數(shù)ACF 與 PACF 都拖尾ARMAp 與 q 各取較小值自動搜索不是萬能的它只能在你給定的 max_p、max_q 范圍內找最優(yōu)。如果業(yè)務數(shù)據(jù)特征明顯比如客流對昨天敏感把 max_p 設成 3、max_q 設成 3 就夠了沒必要給搜索器留一個 p、q 上限各 9 的巨大空間。搜索范圍越大越容易搜出一個 AIC 很低但系數(shù)極其復雜、根本無法解釋的模型——這種模型上線后往往最先翻車。把 ACF/PACF 當作「搜索結果的事后驗證工具」更實用auto_arima 搜出結果后回看原序列的 ACF/PACF如果搜索給出的階數(shù)和圖形判斷差得很遠我會懷疑數(shù)據(jù)里有異常值或者周期設定有誤先去查數(shù)據(jù)而不是直接信搜索結果。3. 搜索調參跑通最小流程用 auto_arima 從數(shù)據(jù)拆分到模型落定3.1 數(shù)據(jù)準備與訓練測試拆分按時間切別隨機切時間序列預測的樣本拆分和普通機器學習完全不同。隨機切分會把未來數(shù)據(jù)混進訓練集模型等于提前看到了答案。正確做法是按時間順序把最后一段完整周期留作測試集。下面這段代碼生成兩年日度數(shù)據(jù)帶趨勢、周季節(jié)和噪聲按時間切成訓練和測試兩部分import numpy as np import pandas as pd from pmdarima import auto_arima from statsmodels.tsa.statespace.sarimax import SARIMAX from statsmodels.stats.diagnostic import acorr_ljungbox from statsmodels.graphics.tsaplots import plot_acf # 生成兩年日度數(shù)據(jù)上行趨勢 周季節(jié) 隨機噪聲 np.random.seed(42) dates pd.date_range(2023-01-01, periods730, freqD) trend np.linspace(100, 130, 730) # 緩慢上行 season 5 * np.sin(2 * np.pi * np.arange(730) / 7) # 周季節(jié) noise np.random.normal(0, 2, 730) y trend season noise df pd.DataFrame({ds: dates, y: y}) # 按時間順序切分訓練集 650 天測試集 80 天 train df.iloc[:650].copy() test df.iloc[650:].copy()切分時有一個容易被忽略的細節(jié)測試集長度最好是周期長度的整數(shù)倍。這里測試集取 80 天雖然不是 7 的倍數(shù)但已經是 11 個完整周加 3 天足夠覆蓋完整的周季節(jié)模式。如果測試集只留 10 天剛好卡在周四那「周五高峰」這種特征在測試中的占比就會失真評估結果會和真實上線表現(xiàn)差很多。3.2 auto_arima 的搜索配置固定 d/D只搜 p/q/P/Q把上一章說的方法落成代碼d 和 D 手動固定搜索器只搜 p、q、P、Q。搜索范圍不要貪大p 和 q 上限給到 3季節(jié)項 P 和 Q 上限給到 2已經能覆蓋絕大多數(shù)業(yè)務數(shù)據(jù)。auto_model auto_arima( train[y], seasonalTrue, m7, # 周周期 d1, # 一階差分去趨勢 D1, # 季節(jié)差分去周周期 max_p3, max_q3, max_P2, max_Q2, stepwiseTrue, # 貪心搜索速度快很多 information_criterionaic, traceTrue, # 打印搜索過程 error_actionignore, n_jobs-1 ) print(auto_model.order) # 非季節(jié)部分 (p, d, q) print(auto_model.seasonal_order) # 季節(jié)部分 (P, D, Q, m)關鍵參數(shù)說明stepwiseTrue 是貪心策略每步只比較局部候選搜索幾秒到幾十秒stepwiseFalse 做全網格窮舉幾百個組合逐個擬合可能要跑幾小時。先用 stepwiseTrue 找候選方向再在小鄰域里細搜是效率最高的做法。information_criterion 選 aic 適合大多數(shù)場景樣本量小比如不足 200 條用 aicc 更穩(wěn)它會額外懲罰參數(shù)數(shù)量bic 懲罰最重適合你更在意模型簡潔性的場合。error_actionignore 讓搜索自動跳過擬合失敗的組合避免整個搜索中斷。n_jobs-1 表示用滿所有 CPU 核心。但注意某些組合在 statsmodels 底層不是純 Python 計算并行收益沒有想象中大別指望翻幾倍提速。搜索完成后打印的 order 和 seasonal_order 就是要用的最終參數(shù)。traceTrue 的輸出里能看到搜索器每一步比較了哪些候選、AIC 是多少這個日志建議保留一份后面排查模型異常時能派上用場。3.3 搜索完成后落到 statsmodels 手動擬合pmdarima 的 auto_arima 本質是搜索器它幫你選參數(shù)但不負責生產環(huán)境的擬合和預測。拿到結果后我會把參數(shù)傳到 statsmodels 的 SARIMAX 里重新擬一次這樣后續(xù)的殘差診斷、滾動預測、系數(shù)顯著性檢驗都更順手。best_order auto_model.order # 例如 (1, 1, 1) best_seasonal auto_model.seasonal_order # 例如 (1, 1, 0, 7) final_model SARIMAX( train[y], orderbest_order, seasonal_orderbest_seasonal, enforce_stationarityFalse, enforce_invertibilityFalse, ) fit final_model.fit(dispFalse) print(fit.summary())這里有兩個容易踩的參數(shù)enforce_stationarity 和 enforce_invertibility。默認 True 表示強制要求擬合出的模型滿足平穩(wěn)性和可逆性如果不滿足就報錯。我設 False 是為了讓擬合更容易收斂但這相當于給模型解除了限制擬合完成后必須回看 summary 里的系數(shù)確認模型沒有給出離譜的自回歸系數(shù)比如大于 1 的 AR 系數(shù)。summary 輸出里重點關注兩列coef 是系數(shù)值P|z| 是顯著性。如果一個滯后項的 p 值大于 0.1說明這個參數(shù)基本沒用可以手動收緊搜索范圍重跑而不是放任它留在模型里增加復雜度。記住一個原則auto_arima 給出的模型是「候選解」不是「最終答案」系數(shù)顯著性、殘差白噪聲都要人工確認過才算走完搜索調參這一步。4. 搜完參數(shù)先別急著上線殘差診斷與滾動多步預測4.1 殘差三件套殘差圖、ACF 與 Ljung-Box 檢驗模型擬合好不好不是看訓練集上的誤差有多小而是看殘差里還有沒有「可利用的信息」。理想殘差應該像白噪聲一樣沒有趨勢、沒有周期、沒有自相關。三個檢查各看一個側面殘差圖看是否有波動聚集或明顯偏移殘差 ACF 看是否存在周期性尖峰Ljung-Box 檢驗給出一個可量化的結論。resid fit.resid plot_acf(resid, lags40) plt.show() # 計算 lag10 和 lag20 的 Ljung-Box 統(tǒng)計量 lb_test acorr_ljungbox(resid, lags[10, 20], return_dfTrue) print(lb_test)Ljung-Box 的原假設是殘差不存在自相關p 值大于 0.05 才算通過。報告時只選 lag10 和 20 兩個點不要一口氣報 40 個 lag——lag 越多碰巧顯著的概率越高容易誤判。如果 ACF 在某個 lag 上仍有明顯尖峰可以直接定位問題lag7 處有尖峰說明周季節(jié)沒拆干凈lag14 處有尖峰可能是雙周規(guī)律lag1 處有尖峰說明非季節(jié)部分的滯后階數(shù)不夠。把這些信息帶回 auto_arima 重新調整搜索范圍比盲目改參數(shù)有效得多。4.2 滾動多步預測預測 7 天就重訓一次一次性預測整個測試集 80 天前幾步可能還正常越往后預測值越趨向季節(jié)均值誤差滾雪球式放大。真實業(yè)務不會這樣干——大多數(shù)場景是每周末用最新數(shù)據(jù)重訓一次預測未來 7 天。滾動預測模擬的正是這種使用方式評估結果更接近上線后的真實表現(xiàn)。horizon 7 window 180 preds [] data df[y].values # 每預測 7 天用最近 180 天數(shù)據(jù)重訓一次 for start in range(0, len(test) - horizon 1, horizon): end_train len(train) start train_part data[end_train - window:end_train] m SARIMAX( train_part, orderbest_order, seasonal_orderbest_seasonal, enforce_stationarityFalse, enforce_invertibilityFalse ).fit(dispFalse) preds.append(m.forecast(horizon)) preds np.concatenate(preds) y_true data[len(train):len(train) len(preds)]窗口長度 window180 是經驗值相當于 26 個完整周足夠季節(jié)項穩(wěn)定估計又不會因為數(shù)據(jù)太老而拖累時效。滾動重訓的代價是時間每次 fit 都要重新走一遍似然估計80 天測試集、7 天一步要重訓 11 次。如果數(shù)據(jù)量大可以改成預測 14 天重訓一次省一半時間評估結果仍然有效。4.3 評估指標怎么選RMSE、MAE 與 MAPE 的適用邊界from sklearn.metrics import mean_absolute_error, mean_squared_error rmse np.sqrt(mean_squared_error(y_true, preds)) mae mean_absolute_error(y_true, preds) mape np.mean(np.abs((y_true - preds) / y_true)) * 100 print(fRMSE{rmse:.2f}, MAE{mae:.2f}, MAPE{mape:.2f}%)三個指標各有用途RMSE 對大誤差敏感能暴露個別預測離譜的情況MAE 是平均偏差和業(yè)務方解釋「平均差多少」最直接MAPE 是百分比匯報時最直觀但分母接近 0 時會爆表日均流水幾百塊的場景里一個接近 0 的真實值就能把 MAPE 拉出天際。還有一點經常被混淆搜索階段用 AIC 選模型評估階段用 RMSE/MAE 衡量上線效果兩者不能互相替代。AIC 回答的是「模型在信息量上的相對優(yōu)劣」業(yè)務指標回答的是「預測誤差能不能被接受」。見過不只一次有人拿著 AIC 最低的模型上線結果 RMSE 比簡單基線還差原因就是 AIC 只考慮似然和參數(shù)數(shù)量完全不關心預測誤差的形狀。5. 不只看搜索結果SARIMA 實戰(zhàn) 5 個高頻坑與排查5.1 坑一搜索很順預測卻是平線現(xiàn)象auto_arima 正常出參AIC 也不高但 forecast 出來的未來 10 天全是一個常數(shù)。 原因差分參數(shù)給大了。d2 加上 D1序列被差了兩輪以上原有的趨勢和周期信息基本被洗掉模型只能預測出均值。另一種可能是季節(jié)項 P 和 Q 全部為 0季節(jié)信息完全沒被利用。 解決把 d 和 D 限制到 0 或 1重新固定后再搜檢查 seasonal_order 里的 P 和 Q 是否至少有一個不為 0看 summary 里季節(jié) AR/MA 系數(shù)的 p 值如果季節(jié)項系數(shù)不顯著問題出在季節(jié)參數(shù)的約束上而不是搜索器本身。5.2 坑二Ljung-Box 永遠不通過殘差還有結構現(xiàn)象模型看起來一切正常預測曲線也像模像樣但 Ljung-Box 的 p 值一直在 0.05 以下殘差 ACF 里總有尖峰。 原因auto_arima 只用 AIC 選模型AIC 低不代表殘差是白噪聲。最常見的是季節(jié)周期判斷單一——數(shù)據(jù)同時存在「工作日-周末」雙周期和節(jié)假日脈沖只給一個 m7 覆蓋不了所有規(guī)律。 解決先看殘差 ACF 尖峰落在哪個 lag。落在 7 的倍數(shù)附近說明周規(guī)律沒吃干凈檢查是否缺了額外的節(jié)假日周期如果數(shù)據(jù)里有明確的節(jié)日效應就別用純 SARIMA改用 SARIMAX 加外生變量把節(jié)假日日期編成 0/1 的啞變量模型才能吸收非周期性脈沖。5.3 坑三m 給錯季節(jié)項系數(shù)不顯著現(xiàn)象m7 設了seasonal 也開成 True但輸出里季節(jié) AR/MA 系數(shù) p 值大于 0.1季節(jié)項形同虛設。 原因樣本不足或季節(jié)模式太弱。數(shù)據(jù)只有 3 個月時周季節(jié)只有 13 個周期季節(jié)項系數(shù)估計不穩(wěn)或者數(shù)據(jù)本身季節(jié)波動幅度遠小于噪聲季節(jié)項在似然函數(shù)里貢獻太小。 解決數(shù)據(jù)不足兩個完整季節(jié)周期時不要上季節(jié)項用純 ARIMA 反而更穩(wěn)如果季節(jié)波動確實存在但幅度小先把分量圖的季節(jié)子序列畫出來看看周期性是否肉眼可見再決定是否值得為它付出樣本量。5.4 坑四預測窗口跨過周期切換點誤差突然放大現(xiàn)象訓練集截止到 8 月底預測 9 月的某幾天誤差比平時大好幾倍而且翻車的位置每個月都在同一時間段附近。 原因SARIMA 只能建模固定周期節(jié)假日、大促、政策引起的脈沖不屬于季節(jié)周期模型會把這些事件當成隨機噪聲。預測窗口越長誤差累積越明顯剛好在事件附近時誤差會放大幾倍。 解決把預測窗口拆短7 天一步滾動重訓事件發(fā)生后立刻把新數(shù)據(jù)吸收進去對已知的固定事件如每月的會員日用外生變量建模對一次性脈沖如短期促銷預測后做人工修正不要指望 SARIMA 自己學出來。5.5 坑五全網格搜索跑了幾小時結果是組合爆炸現(xiàn)象stepwiseFalse 跑了一個晚上沒出結果CPU 占用還不高像是卡死。 原因SARIMA 的組合數(shù)是乘積關系p、q、P、Q 各給 5 個候選再疊加 d 和 D 的可選項組合數(shù)瞬間變成幾千上萬。每一步都要做似然估計季節(jié)項還讓計算量翻倍幾小時跑不完是常態(tài)。 解決先 stepwiseTrue 快速跑出候選參數(shù)再在這個候選周圍的小鄰域比如 p±1、q±1開一個小范圍的窮舉控制 pq 之和不超過 5PQ 之和不超過 2這個邊界足夠覆蓋大多數(shù)業(yè)務序列。6. 給預測上保險滾動基線與殘差再建模的小技巧SARIMA 的參數(shù)搜索本質是個黑匣子它給你一個 AIC 最低的候選解但不保證業(yè)務上可用。我現(xiàn)在的工作習慣是任何模型上線前先跑一個「季節(jié)性樸素基線」——直接用上周同一天的值作為本周預測然后用 SARIMA 和它對比。如果 SARIMA 的滾動 RMSE 連這個不需要任何訓練的基線都打不過那這組參數(shù)就是廢的省下的時間不如回去查數(shù)據(jù)。另一個值得試的技巧是殘差再建模。SARIMA 擬合完把殘差序列單獨拿出來跑一次 ACF如果發(fā)現(xiàn)某個 lag 上還有殘余尖峰通常是 m/2 或 m 附近說明季節(jié)項沒拆干凈。這時不必推翻整個模型返工可以直接對殘差擬合一個低階 AR 模型把殘差預測值疊回 SARIMA 的預測結果上。這個修正幅度通常很小但對 RMSE 的改善經常能擠出 5% 到 10%是所有提效手段里性價比最高的一個。做模型對照時也提醒一句拿 SARIMA 和 LSTM、Prophet 這類模型橫向比較評估方式必須統(tǒng)一都走滾動重擬合格而不是 SARIMA 用滾動、LSTM 用一次訓練到底。評估口徑不一致時深度模型的對比結果幾乎沒有參考價值。SARIMA 的優(yōu)勢在于可解釋性——每個系數(shù)對應一個滯后項出了問題能查你把這份滾動基線和殘差修正的流程固定下來之后再嘗試更復雜的模型時始終有一條可信的基準線兜底。希望幫到你。本文還有配套的精品資源點擊獲取