ARIMA模型全称为自回归差分移动平均模型（Autoregressive Integrated Moving Average Model）。ARIMA模型主要由三部分构成，分别为自回归模型（AR）、差分过程（I）和移动平均模型（MA）。
RIMA模型的基本思想是利用数据本身的历史信息来预测未来。一个时间点上的标签值既受过去一段时间内的标签值影响，也受过去一段时间内的偶然事件的影响，这就是说，ARIMA模型假设：标签值是围绕着时间的大趋势而波动的，其中趋势是受历史标签影响构成的，波动是受一段时间内的偶然事件影响构成的，且大趋势本身不一定是稳定的。
这个模型还听常用的，因此今天试着使用这个模型做了以下某市的GDP预测。代码如下：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import pywt
import os# 创建输出目录
output_directory = "D:/xiaobo/output_images/"
os.makedirs(output_directory, exist_ok=True)# 指定中文显示
plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False # 解决负号'-'显示为方块的问题# 从CSV文件读取数据
df = pd.read_csv("D:/xiaobo/data_arima.csv",parse_dates=['year'], index_col='year',encoding='gbk')# 模型训练
from statsmodels.tsa.arima.model import ARIMA# 选择GDP时间序列
ts = df['GDP_dx']# 假设通过ACF和PACF确定了参数p=1, d=1, q=1
model = ARIMA(ts, order=(1, 1, 1))
model_fit = model.fit()# 预测未来的10个值
forecast = model_fit.forecast(steps=3)
print("预测值：")
print(forecast)# 可视化预测结果
plt.figure(figsize=(10, 6))
plt.plot(ts, label="原始数据")
plt.plot(forecast, label="预测数据", color="red")
plt.legend()
plt.tick_params(axis='x', labelsize=14)
plt.tick_params(axis='y', labelsize=14)
plt.show()
实际上的结果，2023年：43800左右；2024年：预计46000左右；
这个预测GDP的结果比我预料的要好。
下一步要继续了解ARIMA算法的内涵和原理，才能更好的应用。
希望对你有用。
