Conteúdo do Curso

Análise de Séries Temporais

1. Séries Temporais: Vamos Começar

Introdução Exemplos Práticos Tipos de Modelo Implementação em Python Visualização

2. Processamento de Séries Temporais

Lendo e Visualizando Dados Estacionaridade Autocorrelação Decomposição

3. Visualização de Séries Temporais

Séries Temporais Simples Personalize Seu Gráfico Desafio

4. Modelos Estacionários

Exemplos de Séries Temporais Estacionárias Média Móvel Simples Autoregressão Modelo Autoregressivo Integrado de Médias Móveis Desafio

5. Modelos Não Estacionários

Exemplos de Séries Temporais Não Estacionárias Converter Dados Não Estacionários em Estacionários Desafio 1 Desafio 2

6. Resolver Problemas Reais

Previsão do Tempo Previsão de Demanda da Loja Mercados Financeiros Prever o Surgimento de Clientes Recorrentes Medicina: Previsão de EEG

Modelo Autoregressivo Integrado de Médias Móveis

O último modelo que vamos examinar é o média móvel integrada autoregressiva. Este modelo combina autoregressão, média móvel e técnica de diferenciação (esta não é o modelo que discutimos acima). Ele é apresentado da seguinte forma:

Pode parecer bastante complicado, mas, na realidade, olhe, AR é um modelo autorregressivo com o qual você já está familiarizado, MA é uma média móvel, que implica uma combinação linear de erros de previsões passadas.

ARIMA usa 3 parâmetros que devemos escolher (p, d, q):

P - é chamado de ordem de autorregressão. É o número de valores imediatamente anteriores na série que são usados para prever o valor no tempo presente;

D - ordem da diferenciação;

Q - a ordem da média móvel. Permite definir o erro do modelo como uma combinação linear dos valores de erro observados anteriormente.

Nota
Vamos considerar técnicas de diferenciação com mais detalhes nos próximos capítulos

Qual é a vantagem deste modelo? Ele pode prever processos simples não estacionários (mais precisamente, processos nos quais a média e covariância mudam ao longo do tempo) e é mais eficiente ao trabalhar com previsões de curto prazo.

Vamos criar um modelo ARIMA usando statsmodels, para isso, usamos a classe ARIMA():

Os resultados:

Basicamente, você usará 2 funções: .forecast() e .predict(). A primeira função é para previsões fora do conjunto de dados (o que explica o uso de um laço no exemplo acima), enquanto a função .predict() é utilizada para previsões dentro do conjunto de dados.

Além disso, você pode experimentar com os parâmetros p, q e d para obter os melhores resultados. Mas, mesmo com esses parâmetros, pode-se observar que o modelo acompanha bem as tendências principais.

O código pode levar até 1 minuto para ser processado.

Tarefa

Crie um modelo ARIMA e treine-o com o conjunto de dados pr_air_quality.csv.

Dentro do loop for, crie um modelo ARIMA usando os dados de history e atribua-o à variável model. Em seguida, ajuste o model aos dados e salve-o como model_fit. Depois, faça previsões usando o model_fit ajustado.
Calcule o RMSE: pegue a raiz quadrada (sqrt) do erro médio quadrático (calculado usando os test e predictions).
Visualize os resultados: exiba os valores de test na primeira chamada da função .plot() e os valores de predictions na segunda chamada.

Por favor, note que o código pode levar um tempo longo para completar

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 4. Capítulo 4

Modelo Autoregressivo Integrado de Médias Móveis

ARIMA usa 3 parâmetros que devemos escolher (p, d, q):

P - é chamado de ordem de autorregressão. É o número de valores imediatamente anteriores na série que são usados para prever o valor no tempo presente;

D - ordem da diferenciação;

Q - a ordem da média móvel. Permite definir o erro do modelo como uma combinação linear dos valores de erro observados anteriormente.

Nota
Vamos considerar técnicas de diferenciação com mais detalhes nos próximos capítulos

Vamos criar um modelo ARIMA usando statsmodels, para isso, usamos a classe ARIMA():

Os resultados:

O código pode levar até 1 minuto para ser processado.

Tarefa

Crie um modelo ARIMA e treine-o com o conjunto de dados pr_air_quality.csv.

Dentro do loop for, crie um modelo ARIMA usando os dados de history e atribua-o à variável model. Em seguida, ajuste o model aos dados e salve-o como model_fit. Depois, faça previsões usando o model_fit ajustado.
Calcule o RMSE: pegue a raiz quadrada (sqrt) do erro médio quadrático (calculado usando os test e predictions).
Visualize os resultados: exiba os valores de test na primeira chamada da função .plot() e os valores de predictions na segunda chamada.

Por favor, note que o código pode levar um tempo longo para completar

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 4. Capítulo 4

Modelo Autoregressivo Integrado de Médias Móveis

ARIMA usa 3 parâmetros que devemos escolher (p, d, q):

P - é chamado de ordem de autorregressão. É o número de valores imediatamente anteriores na série que são usados para prever o valor no tempo presente;

D - ordem da diferenciação;

Q - a ordem da média móvel. Permite definir o erro do modelo como uma combinação linear dos valores de erro observados anteriormente.

Nota
Vamos considerar técnicas de diferenciação com mais detalhes nos próximos capítulos

Vamos criar um modelo ARIMA usando statsmodels, para isso, usamos a classe ARIMA():

Os resultados:

O código pode levar até 1 minuto para ser processado.

Tarefa

Crie um modelo ARIMA e treine-o com o conjunto de dados pr_air_quality.csv.

Dentro do loop for, crie um modelo ARIMA usando os dados de history e atribua-o à variável model. Em seguida, ajuste o model aos dados e salve-o como model_fit. Depois, faça previsões usando o model_fit ajustado.
Calcule o RMSE: pegue a raiz quadrada (sqrt) do erro médio quadrático (calculado usando os test e predictions).
Visualize os resultados: exiba os valores de test na primeira chamada da função .plot() e os valores de predictions na segunda chamada.

Por favor, note que o código pode levar um tempo longo para completar

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Tudo estava claro?

Obrigado pelo seu feedback!

ARIMA usa 3 parâmetros que devemos escolher (p, d, q):

P - é chamado de ordem de autorregressão. É o número de valores imediatamente anteriores na série que são usados para prever o valor no tempo presente;

D - ordem da diferenciação;

Q - a ordem da média móvel. Permite definir o erro do modelo como uma combinação linear dos valores de erro observados anteriormente.

Nota
Vamos considerar técnicas de diferenciação com mais detalhes nos próximos capítulos

Vamos criar um modelo ARIMA usando statsmodels, para isso, usamos a classe ARIMA():

Os resultados:

O código pode levar até 1 minuto para ser processado.

Tarefa

Crie um modelo ARIMA e treine-o com o conjunto de dados pr_air_quality.csv.

Dentro do loop for, crie um modelo ARIMA usando os dados de history e atribua-o à variável model. Em seguida, ajuste o model aos dados e salve-o como model_fit. Depois, faça previsões usando o model_fit ajustado.
Calcule o RMSE: pegue a raiz quadrada (sqrt) do erro médio quadrático (calculado usando os test e predictions).
Visualize os resultados: exiba os valores de test na primeira chamada da função .plot() e os valores de predictions na segunda chamada.

Por favor, note que o código pode levar um tempo longo para completar

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo

Seção 4. Capítulo 4

Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixo