这是一个关于洗发水预测的例子。数据集下载：shampoo.csv
首先，我们将保留最后一年的数据并评估此数据的预测。 鉴于数据是每月一次，这意味着最后12个观测值将用作测试数据。
我们将使用前瞻性验证方法来评估模型性能。 这意味着将枚举测试数据集中的每个时间步，在历史数据上构建模型，并将预测与预期值进行比较。 然后将观察结果添加到训练数据集中并重复该过程。
前瞻性验证是评估时间序列预测模型的现实方法，因为人们可以期望在新观察结果可用时更新模型。
最后，将使用均方根误差或RMSE来评估预测。 RMSE的好处在于它会对大错误进行处罚，并且得分与预测值（每月汽车销售额）的单位相同。
ARIMA（4,1,0）预测模型将用作探索模型的其他参数的基线。 这可能不是该问题的最佳模型，但通常对某些其他手动测试配置非常熟练。
总之，测试工具包括：
最近2年的数据使用了测试集。
模型评估的前瞻性验证。
用于报告模型技能的均方根误差。
ARIMA（4,1,0）模型将用作基线。
完整的代码：
from pandas import read_csv
from pandas import datetime
from pandas import DataFrame
from statsmodels.tsa.arima_model import ARIMA
from matplotlib import pyplot
from sklearn.metrics import mean_squared_error
def parser(x):
''' 解析时间标签
'''
return datetime.strptime('190'+x, '%Y-%m')
# 读取csv数据
series = read_csv('./data/shampoo.csv', header=0, parse_dates=[0], index_col=0, squeeze=True, date_parser=parser)
X = series.values
# 生成训练集和测试集
size = int(len(X) * 0.66)
train, test = X[0:size], X[size:len(X)]
# 根据训练集获取历史数据
history = [x for x in train]
predictions = list()
for t in range(len(test)):
# 模型参数 p = 5, d = 1, q = 0
model = ARIMA(history, order=(5, 1, 0))
model_fit = model.fit(disp=0)
output = model_fit.forecast()
yhat = output[0]
# 预测值
predictions.append(yhat)
# 观测值
obs = test[t]
history.append(obs)
# 打印观测值和预测值
print('predicted=%f, expected=%f' % (yhat, obs))
# MSE是网络的均方误差
error = mean_squared_error(test, predictions)
print('Test MSE: %.3f' % error)
# plot 绘图
pyplot.plot(test)
pyplot.plot(predictions, color='red')
pyplot.show()
运行结果：