auto_arima模型预测异常回升问题排查及参数调整咨询

为什么预测会出现回升？ #

• 模型误判序列平稳性：你的训练数据是持续下降的趋势序列，但仅6个样本让auto_arima误判序列为平稳序列（未启用差分阶数d=1）。平稳ARIMA模型的核心特性是均值回归——当预测值偏离序列均值时，会逐渐向均值靠拢。你的训练数据均值约为0.933，当预测值降到0.88左右后，模型就会驱动预测值向均值回升。
• 数据量不足：6个样本无法支撑auto_arima充分捕捉长期趋势，模型容易拟合出过度依赖短期波动的参数，导致后期预测偏离原有趋势。
• 你可以通过执行print(stepwise_model.summary())确认模型参数，大概率选中的是ARIMA(p,0,q)类模型（无差分项），这类模型天然存在均值回归特性。

调整方案 #

1. 强制启用一阶差分 #

明确告诉模型序列存在趋势，需要一阶差分后才能平稳：

import numpy as np
from pmdarima import auto_arima

train = np.array([0.99, 0.98, 0.97, 0.94, 0.92, 0.90])

stepwise_model = auto_arima(train,
                            seasonal=False,
                            d=1,  # 强制一阶差分
                            max_d=1
                            )
test_forecast = stepwise_model.predict(n_periods=5)

启用差分后，模型会捕捉序列的下降趋势，预测值会延续递减方向。

2. 添加线性趋势项 #

通过trend参数让模型明确拟合趋势成分：

stepwise_model = auto_arima(train,
                            seasonal=False,
                            trend='t'  # 引入线性趋势项
                            )

3. 手动指定简单趋势模型 #

针对极小样本，直接选择更贴合趋势的模型（比如随机游走模型ARIMA(0,1,0)）：

from pmdarima.arima import ARIMA

model = ARIMA(order=(0,1,0))
model.fit(train)
test_forecast = model.predict(n_periods=5)

4. 补充历史数据 #

若条件允许，增加更多年度样本，让模型更准确识别真实趋势，从根源减少误拟合概率。

内容的提问来源于stack exchange，提问作者matsuo_basho