Python cuml.tsa.auto_arima.AutoARIMA用法及代码示例

用法: class cuml.tsa.auto_arima.AutoARIMA(endog, *, handle=None, simple_differencing=True, verbose=False, output_type=None)

为 in- 和 out-of-sample times-series 预测实现批处理 auto-ARIMA 模型。

此接口提供高度可定制的搜索，其函数类似于 R 中的 forecast 和 fable 包。它提供了围绕底层 ARIMA 模型的抽象，以便像使用单个模型一样进行预测和预测。

参数：

endog：数据帧或array-like(设备或主机): 时间序列数据，假设在列中具有每个时间序列。可接受的格式：cuDF DataFrame cuDF 系列、NumPy ndarray、Numba 设备 ndarray、cuda 阵列接口兼容阵列，如 CuPy
handle：cuml.Handle: 指定 cuml.handle 保存用于此模型中计算的内部 CUDA 状态。最重要的是，这指定了将用于模型计算的 CUDA 流，因此用户可以通过在多个流中创建句柄在不同的流中同时运行不同的模型。如果为 None，则创建一个新的。
simple_differencing: bool or int, default=True：: 如果为 True，则数据在传递到卡尔曼滤波器之前会有所不同。如果为 False，则差分是 state-space 模型的一部分。请参阅 ARIMA 文档中的其他说明
verbose：int 或布尔值，默认=False: 设置日志记录级别。它必须是 cuml.common.logger.level_* 之一。有关详细信息，请参阅详细级别。
output_type：{‘input’, ‘cudf’, ‘cupy’, ‘numpy’, ‘numba’}，默认=无: 用于控制估计器的结果和属性的输出类型的变量。如果为 None，它将继承在模块级别设置的输出类型 cuml.global_settings.output_type 。有关详细信息，请参阅输出数据类型配置。

注意：

接口受 R fable 包的影响：参见 https://fable.tidyverts.org/reference/ARIMA.html

参考：

一个有用的(虽然过时的)参考是这篇论文：

1: Rob J. Hyndman, Yeasmin Khandakar, 2008. “Automatic Time Series Forecasting: The ‘forecast’ Package for R”, Journal of Statistical Software 27

例子：

from cuml.tsa.auto_arima import AutoARIMA

model = AutoARIMA(y)
model.search(s=12, d=(0, 1), D=(0, 1), p=(0, 2, 4), q=(0, 2, 4),
             P=range(2), Q=range(2), method="css", truncate=100)
model.fit(method="css-ml")
fc = model.forecast(20)

属性：

d_y：

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cuml.tsa.auto_arima.AutoARIMA。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。