最近我们被客户要求撰写关于时间序列预测的研究报告，包括一些图形和统计输出。  相关视频：在Python和R语言中建立EWMA，ARIMA模型预测时间序列使用ARIMA模型，您可以使用序列过去的值预测时间序列。在本文中，我们从头开始构建了一个最佳ARIMA模型，并将其扩展到SeasonalARIMA（SARIMA）和SARIMAX模型。1.时间序列预测简介时间序列是在定期时间间隔内记录度量的序列。根据频率，时间序列可以是每年（例如：年度预算），每季度（例如：支出），每周（例如：销售数量），每天（例如天气），每小时（例如：股票价格），分钟（例如：来电提示中的呼入电话），甚至是几秒钟（例如：网络流量

我正在使用statsmodels.tsa.SARIMAX()来训练具有外生变量的模型。当使用外生变量训练模型以便返回的对象包含预测均值和置信区间而不仅仅是一组预测均值结果时，是否存在get_prediction()的等价物？predict()和forecast()方法采用外生变量，但只返回预测平均值。SARIMA_model=sm.tsa.SARIMAX(endog=y_train.astype('float64'),exog=ExogenousFeature_train.values.astype('float64'),order=(1,0,0),seasonal_order=(2,

我按照教程学习了SARIMAX模型:https://www.digitalocean.com/community/tutorials/a-guide-to-time-series-forecasting-with-arima-in-python-3.数据的日期范围是1958-2001。mod=sm.tsa.statespace.SARIMAX(y,order=(1,1,1),seasonal_order=(1,1,1,12),enforce_stationarity=False,enforce_invertibility=False)results=mod.fit()在拟合ARIMA时