ARIMA 时序模型 · 深度手册

分类：预测类 ｜难度：★★★ 高阶｜编号：arima

一、这是什么（一句话用途）

有趋势 / 季节性的单变量序列预测

二、核心思想

ARIMA（自回归积分滑动平均）是单变量时间序列预测的工业级标准模型。它的三大组件：AR（自回归）用过去若干期自身值预测当前；MA（移动平均）用过去若干期预测误差修正当前；I（积分/差分）通过差分把非平稳序列转成平稳。三者组合 ARIMA $(p,d,q)$ 既能刻画趋势又能刻画短期相关性。定阶是核心技能——靠 ACF/PACF 图形与 AIC 准则。

三、数学原理与推导

对序列 $y_t$ 作 $d$ 阶差分 $\nabla^d y_t=(1-B)^d y_t$ （ $B$ 为滞后算子 $B y_t=y_{t-1}$ ）。ARMA $(p,q)$ 模型：

$\phi(B)\nabla^d y_t=\theta(B)\varepsilon_t$

其中 $\phi(B)=1-\phi_1 B-\cdots-\phi_p B^p$ （自回归多项式）， $\theta(B)=1+\theta_1 B+\cdots+\theta_q B^q$ （滑动平均多项式）， $\varepsilon_t$ 为白噪声。

参数辨识：

$d$ ：使序列平稳的最小差分次数（ADF 检验确认）；
$p,q$ ：由平稳后序列的 ACF（截尾于 $q$ ）、PACF（截尾于 $p$ ）初判，再用 AIC 在候选组合中选最优：

$\mathrm{AIC}=2k-2\ln(\hat{L})$

拟合后需检验残差是否为白噪声（Ljung-Box 检验），预测给出带置信区间的点估计。

四、建模 / 求解步骤

平稳性检验(ADF)
定阶 d(差分次数)
选 p,q(ACF/PACF/ AIC)
拟合 ARIMA(p,d,q)
残差检验 + 预测

五、关键公式速查

(1−Σφ_i B^i)(1−B)^d y_t = (1+Σθ_j B^j) ε_t

六、典型示例

月度客流带趋势 → 差分后 ARMA 预测。

完整算例（数字演示，照着算一遍）

场景：差分后序列平稳，定阶 ARIMA(1,1,1)。

拟合：φ1=0.6，θ1=−0.3，对原序列预测未来 3 期 = (153, 156, 159)。

结论：需先 d 阶差分使平稳，再按 AIC 选 p,q。

七、Python 实现示例

import os, numpy as np
import pandas as pd
HERE = os.path.dirname(os.path.abspath(__file__))
df = pd.read_csv(os.path.join(HERE,"..","datasets","arima.csv"))
y = df["value"].to_numpy(dtype=float)
# 一阶差分转平稳
dy = np.diff(y)
# 用自相关粗估：简单 AR(1) 演示
X = dy[:-1]; Y = dy[1:]
phi = np.polyfit(X, Y, 1)[0]
fc = y[-1] + (phi*(y[-1]-y[-2]))
print("AR(1) 系数 phi=%.3f"%phi)
print("下期预测=%.2f"%fc)

配套文件：py_arima.py（需 numpy / pandas；与下方数据集配套练习）

八、MATLAB 实现示例

%% ARIMA 简化示例：差分+AR(1)（MATLAB/Octave）
df = readtable('..\datasets\arima.csv');
y = table2array(df(:,2:end));
dy = diff(y);
phi = polyfit(dy(1:end-1), dy(2:end), 1); phi=phi(1);
fc = y(end) + phi*(y(end)-y(end-1));
fprintf('下期预测=%.2f\n', fc);

配套文件：m_arima.m（基础 MATLAB / Octave 即可运行）

九、练手数据集（可下载）

36 期含趋势与季节成分月度序列。用于差分转平稳、AR(1) 拟合与预测。

字段：month, value
行数：36 行
下载：arima.csv

十、常见误区与避坑清单

先差分到平稳
过拟合阶数
需残差为白噪声

十一、结果怎么解读

看 AIC 选阶；预测带置信区间。

十二、常与谁搭配

季节用 SARIMA。

十三、论文写作技巧（怎么把它写进论文）

把 ARIMA 时序模型 写进论文，核心不是堆公式，而是讲清「为什么用它、结果怎么呈现、如何对比」三件事。

1. 动机怎么写（为什么用它而不是别的）

先说明你的数据具有时间 / 序列依赖，或需要由已知推断未知，因此采用预测类方法。交代输入特征与预测目标，并说明为何选 ARIMA 时序模型（如非线性强、含季节性、小样本等），对比朴素法（如移动平均）点出优势。

2. 结果怎么写（图表与指标）

结果必须给「预测值 vs 真实值」对比曲线 + 误差指标表（MAE / RMSE / MAPE），最好附训练 / 验证分段。若有多个模型，用一张表横向对比误差，突出 ARIMA 时序模型更优。

3. 可直接套用的写作话术

中文模板：针对<问题>，本文采用 ARIMA 时序模型 进行有趋势 / 季节性的单变量序列预测。该方法能够自动刻画<优势>，在处理<场景>时相较<对比方法>更具<特点>。
英文模板：To address , we adopt ARIMA 时序模型 to 有趋势 / 季节性的单变量序列预测. Benefiting from its ability to , it outperforms on .

4. 同类易踩的写作坑

不可只报 R² 不看外推；时间序列要显式说明训练 / 测试切分方式，避免用未来信息泄漏（look-ahead bias）。

5. 典型论文段落范例（可直接参考 / 改写）

下面是一段可直接套用的论文表述，已按本算法定制，填空处（…）替换成你的真实数值即可。

由于日用电量具有明显的时间依赖与周期波动，本文采用 ARIMA 时序模型对未来 30 天负荷进行预测，以 RMSE=…、MAPE=… 的精度优于 ARIMA 基线，验证了模型对非线性趋势的捕捉能力。

Given the strong temporal dependence and periodic fluctuation of daily load, we employ ARIMA 时序模型 to forecast the next 30 days, achieving RMSE=… and MAPE=… and outperforming the ARIMA baseline, which confirms its strength in capturing nonlinear trends.

十四、相关手册（延伸阅读）

（暂无直接关联手册，可前往手册库浏览其它算法）

十五、本手册导航

上一篇：多层感知机（全连接神经网络） · 深度学习
下一篇：BP 神经网络 · 预测类
返回：算法深度手册库｜资料站首页

本手册由「算法深度手册生成器」自动产出，配套提供 Python / MATLAB 双版本示例与可下载练手数据集。