将预测值转换回原始比例（使用 python arima 模型进行预测）答案

【问题标题】：converting back prediction values to original scale(forecasting with python arima model)将预测值转换回原始比例（使用 python arima 模型进行预测）
【发布时间】：2020-02-16 10:48:33
【问题描述】：

我正在尝试使用 ARIMA 模型进行一些预测。我在将预测转换回原始比例时遇到问题。这是我的代码。有人可以帮我找到脚本中的错误吗？非常感谢，谢谢。

from statsmodels.tsa.arima_model import ARIMA

#arima model
model=ARIMA(ts_logscale,order=(2,1,2))
results_ARIMA=model.fit(disp=-1)
plt.plot(datasetlogdiffshifting)
plt.plot(results_ARIMA.fittedvalues,color='red')
plt.title('RSS: %.4f'% sum((results_ARIMA.fittedvalues-datasetlogdiffshifting["Chargé (T)"])**2))
print('plotting ARIMA model')

现在，当我尝试转换回来时：

#converting back
#creating a time serie
predictions_ARIMA_diff=pd.Series(results_ARIMA.fittedvalues,copy=True)
#convert to cumulative sum
predictions_ARIMA_diff_cumsum=predictions_ARIMA_diff.cumsum()

predictions_ARIMA_log=pd.Series(ts_logscale['Chargé (T)'].ix[0],index=ts_logscale.index)
predictions_ARIMA_log=(predictions_ARIMA_log).add(predictions_ARIMA_diff_cumsum,fill_value=0)
#plotting
predictions_ARIMA=np.exp(predictions_ARIMA_log)
plt.plot(ts,color='blue')
plt.plot(predictions_ARIMA,color='red')

你可以看到它与第一个情节非常不同......

【问题讨论】：

标签： python machine-learning prediction forecasting arima

【解决方案1】：

ARIMA (2,1,2)：是具有两 (2) 个自回归项、一 (1) 个后移运算符和两 (2) 个移动平均项的模型。现在，当您应用一 (1) 个后移运算符时，您不必担心，因为 statsmodels 模型会转换回您的预测，因此，这里唯一的问题是您之前所做的日志转换，为此，只需使用 np.exp你的预测和解决的问题！

【讨论】：

我试过这个 predictions=np.exp(results_ARIMA.fittedvalues) 但它比以前更糟
@OumaymaRiahi 您必须考虑到，当您使用 results_ARIMA.fittedvalues 时，已经取出了后移运算符，所以现在剩下的唯一转换是对数转换。也就是说，要将对数转换为正常值，您应该应用 np.exp。您如何知道 ARIMA(2,1,2) 非常适合您的数据？
我绘制了 ACF 和 PACF
@OumaymaRiahi ACF 和 PACF 用于日志转换数据还是原始数据？
@Snedecor AR 和 MA 术语都可以用 backshift 运算符来编写，因此您对 ARIMA(2,1,2) 模型的描述（尤其是关于 d 的部分）参数）有点令人困惑。 ARIMA(2,1,2) 是一个具有 2 个 AR 项、1 个差分阶和 2 个 MA 项的模型。