Após se familiarizar com os modelos que nos permitem prever séries temporais, você provavelmente tem uma pergunta: quais bibliotecas Python serão utilizadas?

Primeiramente, para entender melhor o mecanismo matemático, você pode implementar um dos modelos em Python.

Carregaremos os demais modelos através de bibliotecas como statsmodels:

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
from statsmodels.tsa.api import acf, graphics, pacf
from statsmodels.tsa.ar_model import AutoReg, ar_select_order

sns.set_style("darkgrid")
pd.plotting.register_matplotlib_converters()
sns.mpl.rc("figure", figsize=(16, 6))
sns.mpl.rc("font", size=14)

data = pd.read_csv("HOUSTNSA.csv")
data = data.set_index("DATE")
housing = data.pct_change().dropna()
housing = 100 * housing.asfreq("MS")
fig, ax = plt.subplots()
ax = housing.plot(ax=ax)

mod = AutoReg(housing, 4, old_names=False)
res = mod.fit()

sel = ar_select_order(housing, 18, old_names=False)
sel.ar_lags
res = sel.model.fit()

fig = res.plot_predict(700, 840)

Nós formamos uma previsão para os próximos cem meses no gráfico acima.

O código acima utiliza um modelo que captura o último "padrão" de sazonalidade, ou seja, o mesmo segmento que se repete.