在 python 中使用 statsmodels 的 ExponentialSmoothing 进行三次指数平滑预测

Question

我正在对一些时间序列进行预测，我需要使用 python 比较不同的方法。实际上，我需要使用三重指数平滑来生成一些预测，并且我正在使用this library 和像this 这样的相关函数。 我的时间序列有这种格式，作为 pd.Series 对象：

    Date Close
2016-04-11 01:17:04    -10.523793
2016-04-11 07:25:13     -5.352295
2016-04-11 22:40:11     92.556003
2016-04-13 05:06:31     -1.769866
2016-04-13 05:17:50     -2.330789
2016-04-14 08:43:09     17.636638
2016-04-17 21:15:12     -0.454655
2016-04-19 06:10:04     -0.026375
2016-04-19 06:10:04     -0.175647
...

我在 python 中写了这些行：

from statsmodels.tsa.holtwinters import ExponentialSmoothing
from matplotlib import pyplot as plt
import numpy as np 
import pandas as pd
train_size = int(len(myTimeSeries) * 0.66)
train, test = myTimeSeries[1:train_size], myTimeSeries[train_size:]

model = ExponentialSmoothing(train)
model_fit = model.fit()
dict=model.params
params=np.array(list(dict.items()))
dates=test.index.astype(str)
pred = model.predict(params,start=dates[2], end=dates[-1])
plt.plot(train, label='Train')
plt.plot(test, label='Test')
plt.plot(pred, label='Holt-Winters')
plt.legend(loc='best')

我遇到了函数model.predict 的问题，所以我根据需要添加了参数值，从model 类中获取它们，在它的fit 之后。我不确定我是否做得很好，但我没有找到太多around。此外，我在设置开始日期（也可能是结束日期）时遇到了问题。它返回：KeyError: 'Thestartargument could not be matched to a location related to the index of the data.' 正如我发现的here，我还将预测的开始日期移动到第三个值，即测试数据集的索引 [2]。如果我设置 [0]、[1] 等，我会得到相同的结果……这有什么问题？

如您所见，myTimeSeries 没有固定的频率集，但值的集合是随机的。我找到了不同的教程，例如 this、this other one 或 this about theory，但它们的条件不同：我不知道关于我的数据集的任何新闻（趋势、季节性频率等） .我没有发现任何违反的假设：如果我错了，请警告我。我曾经考虑过我的理论指南，我发现了here。此外，this post 涵盖了类似的问题，但并不完全相同。

Answer 1

我想也许你只是想要：

pred = model_fit.forecast(len(test))

您不能在此处使用日期来指定预测周期，因为您的日期索引没有与之关联的频率，因此您能做的最好的就是指明您想要的预测数量。