如何用statsmodels的Holt-Winters实现时间序列拟合与未来预测

嘿，咱们来解决你用Holt-Winters预测2015-2017年数据的问题！看了你的现有代码，我发现几个小细节阻碍了你生成未来区间的预测，咱们一步步调整：

现有代码的核心问题 #

• 你把train和test都赋值成了整个数据集（虽然你说已经完成拟合验证，但这里明显是笔误）
• 你用model.predict(start=period[0], end=period[1])只是在回测历史区间的数据，并没有指向未来的日期范围

修改后的完整代码 #

import pandas as pd
from statsmodels.tsa.holtwinters import ExponentialSmoothing
import matplotlib.pyplot as plt

# 1. 数据加载与预处理
data = pd.read_csv('setpoints.csv', parse_dates=['date'], index_col=['date'])
# 修正你代码里的`datos_matric`笔误，应该是data['Data']
df_data = pd.DataFrame(data['Data'], columns=['Data'])
# 明确设置月度起始频率（MS），这对时间序列模型很重要
df_data.index.freq = 'MS'

# 2. 用全部历史数据拟合Holt-Winters模型
model = ExponentialSmoothing(
    df_data['Data'],
    trend='add',  # 加法趋势，你可以根据拟合效果换成'mul'
    seasonal='add',  # 加法季节性，同理可调整为'mul'
    seasonal_periods=12  # 月度数据，周期为12个月
).fit()

# 3. 生成2015年1月至2017年12月的预测（共36个月）
# 方法1：用forecast指定预测期数，简单直接
future_forecast = model.forecast(steps=36)

# 方法2：用predict指定具体起止日期，更灵活（和方法1结果一致）
# future_start = pd.to_datetime('2015-01-01')
# future_end = pd.to_datetime('2017-12-01')
# future_forecast = model.predict(start=future_start, end=future_end)

# 4. 可视化历史数据与预测结果
plt.figure(figsize=(12, 6))
df_data['Data'].plot(label='历史数据（2012-2014）')
future_forecast.plot(label='Holt-Winters预测（2015-2017）', color='#ff4444')
plt.title('时间序列历史数据与未来预测')
plt.xlabel('日期')
plt.ylabel('数值')
plt.legend(loc='upper left')
plt.grid(axis='y', linestyle='--')
plt.show()

# 可选：把预测结果保存为CSV文件
future_df = pd.DataFrame(future_forecast, columns=['预测数据'])
future_df.to_csv('holt_winters_future_forecast.csv')

关键知识点解释 #

• forecast(steps=36)：因为要预测3年共36个月，指定steps=36后，statsmodels会自动沿用你设置的MS频率，生成连续的未来日期索引，不用手动写日期。
• 如果你更习惯明确指定日期范围，用predict()方法搭配具体的datetime起止点也完全可以，注意日期格式要和你的数据索引一致（必须是datetime类型）。
• 关于模型参数：你选了加法趋势和加法季节性，这适合波动幅度不随数值大小变化的数据；如果你的季节性波动随数值增大而变大，建议换成乘法模型（trend='mul'、seasonal='mul'），可以根据历史拟合的残差或可视化效果调整。

另外提一句：如果之前做拟合验证时拆分了训练集和测试集，记得先只用训练集训练模型、用测试集验证效果，确认模型靠谱后，再用全部历史数据重新训练模型做未来预测，这样预测结果会更准确哦～

内容的提问来源于stack exchange，提问作者srgam