时间序列预测：ARIMA/LSTM/Prophet 实战

大鱼>2026-07-05 16:05

时间序列预测：ARIMA/LSTM/Prophet 实战

1. 时间序列基础

复制代码

时间序列成分：
├── 趋势（Trend）：长期变化方向
├── 季节性（Seasonality）：周期性变化
├── 周期性（Cyclical）：非固定周期波动
└── 噪声（Noise）：随机波动

2. ARIMA

python 复制代码

from statsmodels.tsa.arima.model import ARIMA
from statsmodels.tsa.stattools import adfuller

# 平稳性检验
result = adfuller(data)
print(f'ADF Statistic: {result[0]}')
print(f'p-value: {result[1]}')

# 差分使数据平稳
data_diff = data.diff().dropna()

# ARIMA 模型
model = ARIMA(data, order=(1, 1, 1))
model_fit = model.fit()
print(model_fit.summary())

# 预测
forecast = model_fit.forecast(steps=30)

3. LSTM

python 复制代码

import torch
import torch.nn as nn

class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super().__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
    
    def forward(self, x):
        lstm_out, _ = self.lstm(x)
        out = self.fc(lstm_out[:, -1, :])
        return out

# 数据准备
def create_sequences(data, seq_length):
    X, y = [], []
    for i in range(len(data) - seq_length):
        X.append(data[i:i+seq_length])
        y.append(data[i+seq_length])
    return np.array(X), np.array(y)

4. Prophet

python 复制代码

from prophet import Prophet

# 数据格式：ds(日期), y(值)
df = pd.DataFrame({'ds': dates, 'y': values})

model = Prophet(
    yearly_seasonality=True,
    weekly_seasonality=True,
    daily_seasonality=False
)
model.fit(df)

# 预测
future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)

# 可视化
model.plot(forecast)
model.plot_components(forecast)

总结

方法	适用场景	优势
ARIMA	线性/平稳序列	统计理论完善
LSTM	非线性/复杂模式	捕捉长期依赖
Prophet	有季节性的业务数据	自动处理节假日