ARIMAX多变量预测模型Python源码实战：从ARIMA到外生变量

简介这是一份面向计算机相关专业学生与项目实战学习者的ARIMAX多变量预测模型完整资料适用于毕业设计、课程设计及期末大作业等场景可帮助读者快速搭建含外生变量的时间序列预测流程理解建模、训练与评估的完整链路。资源包共8个文件以py源码、csv数据集、png结果图、md说明文档及gitignore配置为主压缩包约148KB其中源码负责数据预处理与ARIMAX建模csv提供建模所需的多变量样本png直观展示预测效果md则交代项目结构与使用方式。目前已有60人学习下载可作为入门时间序列预测的参考范例。读者可据此掌握从数据读取、平稳性处理、模型定阶到多变量预测输出的完整实现思路并借助现成数据集复现实验、对照结果图排查问题省去自行搜集数据与调试环境的时间适合需要快速完成项目交付或补充实战经验的学习者。1. 拿到 ARIMAX 多变量预测这套源码先搞清楚它能替你解决什么电商大促前一周运营把过去 90 天的销量、价格、投放费用、竞品折扣四张表甩过来问下周每天能卖多少。单变量 ARIMA 只看销量自己价格一降它不知道投放一加它也不知道预测曲线永远慢半拍。ARIMAX 里的 X 就是干这个的把外生变量塞进模型让销量跟着价格、投放、竞品动作一起动。这套「基于 ARIMAX 的多变量预测模型 python 源码 数据集」本质是一份能直接跑起来的工程模板包含数据读取、平稳性检验、定阶、拟合、预测、评估的完整链路配套数据集省去你找数的功夫。适合两类人一类是刚学完 python 基础语法、想找个真实项目练手的入门者另一类是手头有业务时序数据、需要快速验证多变量预测可行性的分析师。它不解决「预测一定准」它解决「你有一套能改、能调、能复现的起点」。2. ARIMAX 到底比 ARIMA 多算了什么外生变量的接入逻辑2.1 从 AR、MA 到 X三个部件各管什么ARIMAX 拆开看是 AR I MA X。AR 是自回归用过去几期的自身值预测当前值比如今天销量和昨天、前天销量相关I 是差分把不平稳的序列变平稳销量带趋势时通常差一次MA 是移动平均用过去几期的预测误差修正当前预测X 是外生变量也就是价格、投放这些不靠模型自己预测、而是你从外部喂进去的变量。关键区别在于AR 和 MA 处理的是目标序列自己的历史X 处理的是外部驱动。很多人第一次用会犯一个错——把外生变量也当成待预测的东西。ARIMAX 要求 X 在预测期是已知的或者你能先给出 X 的未来值。价格下周定多少、投放预算下周多少这些业务上通常能提前确定所以 ARIMAX 在业务预测里比纯 ARIMA 更贴实际。数学形式不展开记住一个直觉模型在拟合时会给每个外生变量估一个系数系数为正说明该变量涨、目标也涨系数为负则相反。这个系数就是后面调参和解释业务时最该盯的东西。2.2 什么数据适合上 ARIMAX什么数据别硬套不是所有多变量预测都该用 ARIMAX。判断标准有三条。第一目标序列要有自相关性。如果销量今天和昨天几乎无关AR、MA 部件就白搭这时候该考虑回归或树模型。用自相关图 ACF、偏自相关图 PACF 先看一眼拖尾或截尾明显才值得往下走。第二外生变量和目标要有业务上的因果或领先关系。价格影响销量、投放影响曝光再影响销量这类链条成立。如果只是随便找几个数值序列凑进去模型会过拟合样本外一塌糊涂。第三样本量要够。ARIMAX 参数不少几十条数据拟合出来的系数不可信。经验上单变量时序建模至少 50 个点起步带外生变量最好上百。数据集如果只有二三十行先做数据增强或换更简单的模型。提示外生变量在预测期必须可得。如果 X 本身也要预测那属于另一类问题别用 ARIMAX 硬扛。2.3 用 statsmodels 跑通最小可复现例子python 里做 ARIMAX 最常用的是 statsmodels。下面这段是最小可运行骨架假设你已经装好 pandas、statsmodels、matplotlib。import pandas as pd import numpy as np import statsmodels.api as sm from statsmodels.tsa.stattools import adfuller # 读取数据集假设含 date、sales、price、ad_cost 四列 df pd.read_csv(dataset.csv, parse_dates[date], index_coldate) df df.asfreq(D).fillna(methodffill) # 补齐缺失日期 # 平稳性检验p 值小于 0.05 认为平稳 def check_stationary(series, name): result adfuller(series.dropna()) print(f{name} ADF p-value: {result[1]:.4f}) return result[1] 0.05 check_stationary(df[sales], sales) check_stationary(df[price], price) # 目标序列不平稳则差分外生变量按业务判断是否差分 df[sales_diff] df[sales].diff() df df.dropna() # 外生变量矩阵 exog df[[price, ad_cost]] # 拟合 ARIMAXorder(p,d,q)这里先用 (1,1,1) 起步 model sm.tsa.ARIMA(df[sales], exogexog, order(1, 1, 1)) result model.fit() print(result.summary())逻辑说明先读数据并对齐日期频率日频数据用asfreq(D)缺失用前向填充避免差分后长度错位。ADF 检验判断要不要差分p 值大于 0.05 说明不平稳。order(1,1,1)里的三个数分别是 AR 阶、差分次数、MA 阶起步值不用纠结后面靠 AIC 和残差检验调。exog传进去的就是 X注意它的行数必须和目标序列完全对齐多一行少一行都会报错。参数说明order的 d 通常取 0 或 1取 2 以上要谨慎过度差分会把信号差没。exog里不要放和目标同期完全共线的变量比如销售额和销量那会让系数估计失真。3. 定阶、调参与外生变量筛选把模型从能跑调到能用3.1 p、d、q 三个参数怎么定别靠猜order(p,d,q)是 ARIMAX 最核心的三个参数。d 由平稳性检验决定前面 ADF 已经给了答案。p 和 q 靠 ACF、PACF 图加信息准则一起定。看 PACF 在几阶后截尾p 大致取那个阶数看 ACF 在几阶后截尾q 大致取那个阶数。但图是主观的更稳的做法是网格搜索用 AIC 或 BIC 挑最小。import itertools best_aic np.inf best_order None best_model None # 在小范围内搜索避免组合爆炸 p_range range(0, 4) d_range [1] q_range range(0, 4) for p, d, q in itertools.product(p_range, d_range, q_range): try: model sm.tsa.ARIMA(df[sales], exogexog, order(p, d, q)) result model.fit() if result.aic best_aic: best_aic result.aic best_order (p, d, q) best_model result except Exception as e: continue print(fBest order: {best_order}, AIC: {best_aic:.2f}) print(best_model.summary())逻辑说明三重循环遍历 p、d、q 组合每个组合拟合一次记录 AIC 最小的。try except是必要的某些组合会让拟合不收敛直接跳过。搜索范围别开太大p、q 各到 3 或 4 就够再大计算量翻倍且容易过拟合。参数说明AIC 偏向拟合优度BIC 对参数个数惩罚更重样本量大时用 BIC 更稳。如果两个准则给出的阶数差很多优先选阶数小的简单模型样本外往往更好。3.2 外生变量不是越多越好筛选有讲究X 塞太多模型会把噪声当信号。筛选外生变量有三步。第一步业务上先筛。和目标没有明确因果或领先关系的变量直接去掉别指望模型自己发现。第二步看相关性。算每个外生变量和目标序列的互相关领先期数有意义、相关系数绝对值够大的留下。第三步看拟合后的系数显著性。result.summary()里每个外生变量有 p 值p 值大于 0.05 说明该变量贡献不显著可以考虑剔除后重拟合。# 查看外生变量系数和显著性 print(result.pvalues) # 包含外生变量的 p 值 print(result.params) # 系数值 # 剔除不显著变量后重拟合 exog_slim df[[price]] # 假设 ad_cost 不显著 model_slim sm.tsa.ARIMA(df[sales], exogexog_slim, orderbest_order) result_slim model_slim.fit() print(result_slim.summary())逻辑说明result.pvalues给出每个参数的显著性外生变量对应的行就是判断依据。剔除后重拟合对比 AIC 和残差如果 AIC 没明显变差、残差更干净说明剔除合理。参数说明显著性阈值常用 0.05业务上如果某变量战略上必须保留可以放宽到 0.1但要在报告里说明。3.3 残差检验模型有没有把该抓的抓干净拟合完不能直接预测先看残差。残差应该是白噪声也就是没有自相关、均值接近零、方差稳定。from statsmodels.stats.diagnostic import acorr_ljungbox resid result_slim.resid lb_test acorr_ljungbox(resid, lags[10], return_dfTrue) print(lb_test) # 残差图 import matplotlib.pyplot as plt fig, axes plt.subplots(2, 1, figsize(10, 6)) axes[0].plot(resid) axes[0].set_title(Residuals) axes[1].hist(resid, bins30) plt.tight_layout() plt.show()逻辑说明Ljung-Box 检验 p 值大于 0.05 说明残差没有显著自相关模型把自相关结构抓得差不多。残差图看有没有明显趋势或方差变化有的话说明模型设定有问题回去调 order 或加变量。参数说明lags一般取 10 或 20样本量大可以取更大。残差如果还有自相关优先加 p 或 q而不是急着加外生变量。4. 预测、评估与滚动回测别只看训练集拟合得好不好4.1 样本外预测的正确姿势训练集拟合好不代表预测好。标准做法是留出最后一段做测试用训练段拟合预测测试段再对比真实值。# 划分训练测试 train_size int(len(df) * 0.8) train, test df.iloc[:train_size], df.iloc[train_size:] # 用训练集拟合 model sm.tsa.ARIMA(train[sales], exogtrain[[price]], orderbest_order) result model.fit() # 预测测试集exog 必须传测试期的外生变量 forecast result.forecast(stepslen(test), exogtest[[price]]) # 评估 from sklearn.metrics import mean_absolute_error, mean_squared_error mae mean_absolute_error(test[sales], forecast) rmse np.sqrt(mean_squared_error(test[sales], forecast)) print(fMAE: {mae:.2f}, RMSE: {rmse:.2f})逻辑说明forecast的steps是预测步数exog必须传测试期的外生变量值这是 ARIMAX 和 ARIMA 在预测阶段最大的不同。评估用 MAE 和 RMSEMAE 看平均误差绝对值RMSE 对大误差更敏感。参数说明训练测试比例常用 8:2 或 7:3时序数据不能随机打乱必须按时间顺序切。如果数据有明显季节性测试段要覆盖完整周期。4.2 滚动回测比单次划分更可信单次划分受切分点影响大滚动回测更稳。做法是每次用前面一段预测后面一步然后窗口往前滚。from statsmodels.tsa.statespace.sarimax import SARIMAX history train[sales].copy() history_exog train[[price]].copy() predictions [] for i in range(len(test)): model SARIMAX(history, exoghistory_exog, orderbest_order) result model.fit(dispFalse) # 预测下一步 pred result.forecast(steps1, exogtest[[price]].iloc[[i]]) predictions.append(pred.values[0]) # 把真实值加入历史滚动前进 history pd.concat([history, test[sales].iloc[[i]]]) history_exog pd.concat([history_exog, test[[price]].iloc[[i]]]) rolling_mae mean_absolute_error(test[sales], predictions) print(fRolling MAE: {rolling_mae:.2f})逻辑说明每预测一步就把真实值并入历史重新拟合再预测下一步。这样模拟了真实业务里「每天更新数据、每天预测」的场景评估结果更接近上线表现。参数说明滚动回测计算量大数据长时可以用扩展窗口或固定窗口。dispFalse关掉拟合过程输出避免刷屏。4.3 评估指标怎么读误差多大算能用MAE 和 RMSE 是绝对误差量纲和目标一致。更直观的是 MAPE也就是平均绝对百分比误差。mape np.mean(np.abs((test[sales] - forecast) / test[sales])) * 100 print(fMAPE: {mape:.2f}%)逻辑说明MAPE 小于 10% 通常算不错10% 到 20% 可接受超过 20% 要检查数据质量或模型设定。但目标值接近零时 MAPE 会爆炸这时候看 MAE 更合适。参数说明报告里最好同时给 MAE、RMSE、MAPE不同指标反映不同侧面。业务方更关心 MAPE技术调优更看 RMSE。5. 避坑与排查ARIMAX 实战里最容易翻车的五个地方5.1 外生变量预测期缺失代码直接报错现象拟合正常一到forecast就抛异常提示 exog 形状不匹配。原因ARIMAX 预测时必须提供预测期的外生变量值很多人只传了训练期的 exog或者测试期 exog 行数对不上。解决预测前确认test[[price]]的行数等于steps列名和训练期完全一致。如果预测期外生变量确实未知要么先预测 X要么改用不含该变量的模型。5.2 差分后忘记对齐外生变量系数全乱现象加了差分后模型系数符号和业务直觉相反预测离谱。原因对目标序列做了diff()但外生变量没做同样处理或者 dropna 后两边行数不一致导致错位。解决差分后统一dropna确保目标和 exog 用同一个索引。外生变量是否需要差分按业务判断价格通常不需要投放费用带趋势时可以考虑。5.3 数据频率不统一模型悄悄算错现象拟合不报错但预测结果和实际差一个数量级。原因日期索引有重复或缺失asfreq没做模型按错误的时间间隔计算。解决读数据后先df.index.is_unique检查重复再asfreq统一频率缺失值用业务合理的方式填充别直接填零。5.4 过度追求训练集拟合样本外崩盘现象训练集 MAPE 只有 3%测试集 30%。原因order 阶数太高或外生变量太多模型把噪声也拟合了。解决用 AIC、BIC 控制复杂度p、q 别超过 4外生变量控制在 3 到 5 个以内。滚动回测的误差比训练集误差更值得信。5.5 忽略季节性周期波动全丢现象预测曲线平滑但实际数据每周或每月有明显周期误差集中在周期高点。原因ARIMAX 本身不含季节性项需要扩展成 SARIMAX。解决数据有周周期时用SARIMAX并设置seasonal_order(P,D,Q,s)s 取 7月周期 s 取 12。先看季节分解图确认周期长度再设。6. 把这套源码改成你自己的三个进阶技巧和验证习惯拿到源码和数据集跑通只是第一步真正值钱的是把它改成你业务能用的东西。第一个技巧是外生变量的滞后处理。价格对销量的影响往往不是当期的可能滞后一到三天。做法是把price复制几列分别 shift 1、2、3 天一起放进 exog让模型自己估哪个滞后显著。df[price_lag1] df[price].shift(1) df[price_lag2] df[price].shift(2) df df.dropna() exog df[[price, price_lag1, price_lag2, ad_cost]]逻辑说明滞后列让模型捕捉延迟效应shift 后产生的缺失行用 dropna 去掉。参数说明滞后阶数别超过业务反应周期日频数据一般 1 到 7 天。第二个技巧是预测区间。点预测不够业务要的是范围。result.get_forecast(stepsn, exog...)能拿到置信区间把上下界一起画出来决策时更有底。forecast_obj result.get_forecast(stepslen(test), exogtest[[price]]) pred_mean forecast_obj.predicted_mean conf_int forecast_obj.conf_int(alpha0.05) # 95% 置信区间逻辑说明alpha0.05对应 95% 置信区间区间宽度反映不确定性。参数说明样本外区间通常比样本内宽这是正常的别为了收窄区间去调低置信度。第三个技巧是建立验证习惯。每次改完参数或变量固定跑一遍滚动回测把 MAE、MAPE 记下来对比。我自己的习惯是维护一张小表记录每次实验的 order、外生变量组合、滚动 MAPE改了三版还没降误差就回头检查数据而不是继续调参。这套源码最大的价值不是它现在多准而是它给了你一个能反复实验、每次改动都有据可查的底座。数据质量永远比模型花活重要我踩过最深的坑就是花两天调参最后发现是原始数据里有一周的销量录错了。希望帮到你。本文还有配套的精品资源点击获取