全国公安网站备案上海网络优化服务

知识点回顾：

1. SARIMA模型的参数和用法：SARIMA(p, d, q)(P, D, Q)m
2. 模型结果的检验可视化（昨天说的是摘要表怎么看，今天是对这个内容可视化）
3. 多变量数据的理解：内生变量和外部变量
4. 多变量模型
   1. 统计模型：SARIMA（单向因果）、VAR（考虑双向依赖）
   2. 机器学习模型：通过滑动窗口实现，往往需要借助arima等作为特征提取器来捕捉线性部分（趋势、季节性），再利用自己的优势捕捉非线性的残差
   3. 深度学习模型：独特的设计天然为时序数据而生

作业：由于篇幅问题，无法实战SARIMAX了，可以自己借助AI尝试尝试，相信大家已经有这个能力了。

SARIMAX模型实现方案

1.新增外生变量处理

def load_exogenous_data():"""加载经济指标作为外生变量示例"""gdp = get_rdataset('GDP').data.set_index('year')return gdp[['consumption', 'investment']]

2.SARIMAX建模模块

from statsmodels.tsa.statespace.sarimax import SARIMAXdef train_sarimax(endog, exog, order=(1,1,1), seasonal_order=(0,1,1,12)):model = SARIMAX(endog,exog=exog,order=order,seasonal_order=seasonal_order,enforce_stationarity=False)results = model.fit(disp=0)print(results.summary())return results

3.增强可视化诊断

def plot_diagnostics(results):fig = plt.figure(figsize=(12,8))results.plot_diagnostics(fig=fig)plt.tight_layout()return fig