我正在尝试将 ARMA/ARIMA 与statsmodel Python 包一起使用，以预测气体消耗。我尝试使用这种格式的数据集：
仅使用气柱。
from pandas.tseries.offsets import *
arma_mod20 = sm.tsa.ARMA(januaryFeb[['gas [m3]']], (5,3)).fit()
predict_sunspots = arma_mod20.predict('2012-01-13', '2012-01-14', dynamic=True)
ax = januaryFeb.ix['2012-01-13 00:00:00':'2012-01-15 22:00:00']['gas [m3]'].plot(figsize=(12,8))
ax = predict_sunspots.plot(ax=ax, style='r--', label='Dynamic Prediction');
ax.legend();
为什么预测这么差？
我不是时间序列方面的专家，但我有一个一般性建议：我建议您尝试其他包（和各种参数），看看结果是否有任何差异。
此外，除非您必须使用 ，否则Python我建议您查看用于时间序列分析R的广泛生态系统：请参阅http://www.statmethods.net/advstats/timeseries.html和http://cran。 r-project.org/web/views/TimeSeries.html。
特别是，您可能需要检查标准stats包（包括函数arima()和arima0），以及其他一些包：FitARMA（http://cran.r-project.org/web/packages/FitARMA），forecast（http://cran .r-project.org/web/packages/forecast）和以教育为中心的fArma（cran.r-project.org/web/packages/fArma），仅举几例。我希望这是有帮助的。
气体使用具有每日周期，但也有 ARIMA 可能无法捕获的次要每周和每年周期。
工作日和周六数据之间存在非常明显的差异。尝试为一周中的每一天创建数据子集，或将数据拆分为工作日和周末并应用模型。
如果您可以获取同一时期的温度数据，请检查温度和燃气使用量之间是否存在相关性。
正如@Aleksandr Blekh 所说，R 确实为 ARIMA 模型提供了很好的软件包