ARIMA模型：时间序列预测的“瑞士军刀”-平芜编程栈

本文详细介绍ARIMA模型（AutoRegressive Integrated Moving Average，自回归差分移动平均模型）。如果你想预测明天的股票价格、下个月的销量，或者未来的气温，ARIMA 是你必须掌握的经典工具。

想象一下，你经营着一家奶茶店。你想知道下个月能卖出多少杯奶茶，以便提前备货。

你手头有过去一年的每天销量数据。你可能会这样思考：

惯性（AR）：如果昨天和前天卖得好，今天大概率也卖得好。（这叫自回归）
趋势（I）：最近几个月生意越来越好，整体在涨，我得把这个增长趋势考虑进去。（这叫差分）
修正（MA）：昨天突然下大雨，销量异常低，这是个“意外”。今天的预测不应该受这个意外太大影响，或者说我要把这个意外产生的“误差”考虑进去。（这叫移动平均）

ARIMA 模型就是把这三种思考方式结合起来的数学模型。它是时间序列预测领域最经典、最常用的算法之一。

(图示：ARIMA 模型通过分析历史数据的趋势和周期，预测未来的走势及置信区间)

ARIMA 这个名字其实是三个单词的缩写，分别代表了模型的三个部分：

“今天的表现，受过去几天表现的影响。”

“消除趋势，让数据变平稳。”

概念：将非平稳数据（一直在涨或跌）转化为平稳数据。
直白理解：拉平。如果奶茶销量每个月稳定增长 100 杯，那数据就是“不平稳”的（均值在变）。如果我们不看“总销量”，而是看“比上个月多卖了多少”（增量），这个增量可能就稳定在 100 左右了。这就是一阶差分。
参数ddd：代表需要做几次差分才能让数据平稳。通常d=1d=1d=1就够了。

“过去的误差，会影响未来。”

概念：当前的数值受过去预测误差的影响。
直白理解：纠偏。如果昨天的预测值比实际值高了（预测误差为负），模型会吸取教训，调整今天的预测，避免犯同样的错误。它关注的是“意外”或“噪音”的累积影响。
参数qqq：代表我们要回头看多少个时间点的“误差”。

当我们说使用 ARIMA 模型时，通常会写作ARIMA(p, d, q)。这三个参数决定了模型的结构：

例子：

使用 ARIMA 预测通常分为以下几步：

数据平稳化：
- 画出数据图，看有没有明显的上涨或下跌趋势。
- 如果有，就做差分（后一天减前一天），直到数据看起来在一条水平线上波动（平稳）。
- 确定参数ddd。
确定 p 和 q：
- 通过观察ACF(自相关函数) 和PACF(偏自相关函数) 图表来确定。
- 或者使用“网格搜索”（Grid Search），把各种 p 和 q 的组合都试一遍，看哪个模型评分（AIC/BIC）最好。
模型训练与预测：
- 用历史数据训练模型。
- 模型会输出未来的预测值，以及一个置信区间（比如：我有 95% 的把握，明天的销量在 100 到 120 杯之间）。