AR(3)模型时序预测效果不佳、后期预测值下降问题求助

问题描述 #

使用AR(3)模型开展时间序列预测、预估未来数据时，预测结果精度差，无法定位问题原因，且无法解释预测序列到达峰值后持续下降的趋势。

复现代码 #

import pandas as pd

df2 = pd.DataFrame({
     "Month" : [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15],
     "Sales Count": [10,15,24,30,33,45,67,70,75,88,92,95,98,105,115]
})

df2.index = df2.Month
df2 = df2.drop('Month',axis=1)

from statsmodels.tsa.arima_model import ARIMA

model = ARIMA(df2['Sales Count'],order=(3,0,0))
model = model.fit()

pred = model.predict(1,27)

模型输出预测值 #

• 1: 10.924977
• 2: 19.647766
• 3: 31.068473
• 4: 35.592394
• 5: 36.422376
• 6: 52.956438
• 7: 81.115237
• 8: 74.101817
• 9: 77.985398
• 10: 95.468273
• 11: 95.013056
• 12: 96.333352
• 13: 99.131086
• 14: 108.245458
• 15: 120.136458
• 16: 122.627635
• 17: 122.961509
• 18: 121.735104
• 19: 119.397032
• 20: 116.308360
• 21: 112.751786
• 22: 108.946149
• 23: 105.057805
• 24: 101.210451
• 25: 97.493384
• 26: 93.968447
• 27: 90.675809

预测结果可视化 #

核心问题原因 #

• 违反AR模型平稳性前提：AR模型要求输入序列为平稳序列，本次使用的销售数据存在明确单调上涨趋势，属于非平稳序列。代码中设置差分项d=0未做去趋势处理，模型错误将短期波动规律识别为长期规律，外推时自然会出现峰值后回落的错误走势。平稳AR模型的长期预测本身就会收敛到序列均值，无趋势设定下不可能长期保持上涨走势。
• 阶数选择无依据：直接主观指定p=3未做校验，应通过ACF/PACF截尾特征、AIC/BIC信息准则筛选最优阶数，阶数失配会直接导致模型无法正确捕捉序列自相关关系。
• 调用过时API：代码导入的statsmodels.tsa.arima_model.ARIMA是statsmodels旧版废弃接口，新版已将ARIMA迁移至statsmodels.tsa.arima.model.ARIMA路径，旧接口多步外推逻辑存在已知bug，容易出现趋势偏移。

修正方案 #

1. 先做平稳性校验：用ADF单位根检验验证序列平稳性，若检验p值大于0.05说明序列非平稳，先做差分处理，根据差分结果确定合理的d值，不要默认用d=0。
2. 自动选最优阶数：可借助pmdarima库的auto_arima方法遍历p、d、q参数组合，选择AIC值最小的最优阶数，避免主观定阶的误差。
3. 替换新版API：使用statsmodels新版ARIMA接口，若数据存在明确线性趋势，可在拟合时传入trend='t'参数添加线性趋势项，适配带持续趋势的序列。
4. 修正示例代码：

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
from pmdarima import auto_arima

df2 = pd.DataFrame({
     "Month" : [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15],
     "Sales Count": [10,15,24,30,33,45,67,70,75,88,92,95,98,105,115]
})
df2.index = df2.Month
df2 = df2.drop('Month',axis=1)

# 自动筛选最优参数
best_order = auto_arima(df2['Sales Count'], suppress_warnings=True, error_action='ignore').order
# 拟合带线性趋势的ARIMA模型
model = ARIMA(df2['Sales Count'], order=best_order, trend='t')
model_fit = model.fit()
# 生成预测结果
pred = model_fit.predict(start=1, end=27)

内容的提问来源于stack exchange，提问作者user19354061