使用SARIMA模型预测乘客数时遇迭代次数超限错误的解决方法

错误原因分析 #

出现STOP: TOTAL NO. of ITERATIONS REACHED LIMIT和This problem is unconstrained错误，核心原因包括：

• 手动差分后重复设置SARIMA的d参数，导致过度差分，数据平稳性过强，模型优化器难以找到最优解
• 参数设置不符合数据规律（如月度数据的季节周期设为6而非12、p=5参数过大）
• 模型拟合时未调整优化器参数，默认迭代次数不足以支持收敛
• 评估逻辑错误：用未来预测值匹配历史数据，完全不对应

具体解决步骤 #

1. 修正数据处理逻辑，避免过度差分 #

SARIMAX模型会自动根据d参数处理差分，无需手动提前做差分。针对AirPassengers这类带指数增长趋势的数据，建议先做对数转换消除趋势：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.sarimax import SARIMAX
from sklearn.metrics import mean_absolute_error, mean_squared_error

# 数据加载与预处理
df = pd.read_csv("AirPassengers.csv")
df.index = pd.to_datetime(df['Month'])
df = df.drop('Month', axis=1)

# 对数转换消除指数趋势（可选但推荐）
df['#Passengers_log'] = np.log(df['#Passengers'])

2. 调整SARIMA参数，贴合数据规律 #

月度航空乘客数据的季节周期S应为12（对应年周期），同时从简单参数组合开始尝试，避免参数过拟合：

# 初始参数设置（经典组合）
p, d, q = 1, 1, 1
P, D, Q, S = 1, 1, 1, 12

3. 优化模型拟合参数，提升收敛性 #

在fit()方法中增加迭代次数，或更换优化器，解决迭代次数超限问题：

# 拟合模型时调整优化参数
model = SARIMAX(df['#Passengers_log'], order=(p, d, q), seasonal_order=(P, D, Q, S))
# 增加迭代次数，或使用powell优化器（适配非凸优化场景）
results = model.fit(maxiter=500, method='powell')

4. 修正模型评估逻辑，匹配真实测试场景 #

划分训练集和测试集，用训练集拟合模型，预测测试集数据后计算误差：

# 划分训练集（前132个月）和测试集（最后12个月）
train = df['#Passengers_log'].iloc[:-12]
test = df['#Passengers_log'].iloc[-12:]

# 重新拟合模型
model = SARIMAX(train, order=(p, d, q), seasonal_order=(P, D, Q, S))
results = model.fit(maxiter=500)

# 预测测试集的12步数据
forecast_log = results.get_forecast(steps=12, alpha=0.2)
forecast_mean_log = forecast_log.predicted_mean

# 反转对数转换得到真实乘客数
forecast_mean = np.exp(forecast_mean_log)
actual_values = np.exp(test)

# 计算评估指标
mae = mean_absolute_error(actual_values, forecast_mean)
mse = mean_squared_error(actual_values, forecast_mean)
rmse = np.sqrt(mse)

print(f'MAE: {mae:.2f}')
print(f'MSE: {mse:.2f}')
print(f'RMSE: {rmse:.2f}')

5. 修正绘图逻辑，正确展示预测结果 #

# 绘图
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['#Passengers'], label='Observed', color='blue')
# 生成预测值的时间索引
forecast_index = pd.date_range(start=df.index[-1], periods=13, freq='M')[1:]
plt.plot(forecast_index, forecast_mean, label='Forecast', color='red')

# 处理置信区间并反转对数转换
confidence_intervals_log = forecast_log.conf_int()
confidence_intervals = np.exp(confidence_intervals_log)
plt.fill_between(forecast_index, confidence_intervals.iloc[:, 0], confidence_intervals.iloc[:, 1], color='pink', label='80% Confidence Interval')

plt.xlabel('Date')
plt.ylabel('Passengers')
plt.title('SARIMA Forecast')
plt.legend()
plt.grid(True)
plt.show()

额外建议 #

• 如果仍出现收敛问题，可尝试降低参数复杂度（如p=0、q=0），逐步增加参数
• 使用自动调参工具减少手动试错成本：

from pmdarima import auto_arima
stepwise_fit = auto_arima(df['#Passengers_log'], seasonal=True, m=12, trace=True)
print(stepwise_fit.summary())

内容的提问来源于stack exchange，提问作者Emine Nida Zenginoğlu