python 时间序列预测 —— SARIMA
SARIMA(p,d,q)(P,D,Q,s) 季节性自回归移动平均模型，结构参数有七个
AR(p) 自回归模型，即用自己回归自己。基本假设是，当前序列值取决于序列的历史值。p 表示用多少个历史值来回归出预测值。
要确定初始 p，需要查看PACF图并找到最大的显著时滞，在 p 之后其它时滞都不显著。
MA(q) 移动平均模型，是对时间序列的误差进行建模，并假设当前误差取决于带有滞后的误差。可以在ACF图上找到初始值。
结合以上两种方法：AR(p)+MA(q)=ARMA(p,q)AR(p)+MA(q)=ARMA(p,q)AR(p)+MA(q)=ARMA(p,q)，就是自回归移动平均模型
剩下的参数：
I(d) 表示积分的阶数为 d，出现积分是因为我们先对时间序列做 d 次微分，使得序列平稳。举个例子，对抛物线微分两次就得到了一个定常（平稳）的加速度，估计出了正确的加速度，积分两次回去，就还原了原时间序列。
现在我们有了 ARIMA 模型，可以对无季节变化的非稳态序列建模。
S(s) 用来建模序列的季节性，s 代表季节的长度
有了季节性，就需要额外三个参数 (P,D,Q)
P 表示季节自回归的阶数，从 PACF 推断。和小 p 不同的是，需要看的是季节长度的倍数上的时滞。比如，如果季节长度为 24，那么就要在 pacf 图上检查 24,48,72 个滞后的强度，如果滞后 48 的序列的 pacf 表现显著，那么 P 等于 2
Q 和 P 的取法类似，不过是通过 ACF 图选择
D 表示季节差分的阶数，一般就是 0 或 1，做了季节差分就是 1
好了，说了半天你也没听懂，接下来我们用 SARIMA 来建模
