آموزش رایگان آریما ARIMA برای پیس‌بینی در متلب

آموزش رایگان آریما ARIMA برای پیس‌بینی سری زمانی:

این آموزش به مدل‌سازی و پیش‌بینی سری زمانی (مثال: تعداد مسافران خطوط هوایی) با استفاده از مدل ARIMA (Autoregressive Integrated Moving Average) پرداخته است. و این قابل تعمیم برای داده های حوزه های متعدد از قبل اقتصادی یا مالی (مانند بورس، طلا، دلار)، هواشناسی، کشاورزی، مخابراتی، پزشکی و عیره است.

مشاهده آموزش رایگان مقدمه‌ای بر سری زمانی
مشاهده بخش اول تئوری مدل ARIMA

---

مرحله 1: بارگذاری و نمایش داده‌ها

1. بارگذاری داده‌ها:
   • داده‌ها از یک فایل CSV با ستون‌های ماه و تعداد مسافران بارگذاری می‌شوند.
   • داده‌های تعداد مسافران به عنوان یک بردار ستونی استخراج می‌شوند.
2. نمایش سری زمانی:
   • با استفاده از تابع timeseries داده‌ها به عنوان یک سری زمانی با محور زمان (ماه‌ها) نمایش داده می‌شوند.
   • گراف سری زمانی اصلی رسم می‌شود.

---

مرحله 2: پیش‌پردازش داده‌ها

1. حذف مقادیر گمشده:
   • داده‌های گمشده با روش میان‌یابی خطی (fillmissing) پر می‌شوند.
2. تست ایستایی داده‌ها (Stationarity Test):
   • از آزمون ADF (Augmented Dickey-Fuller) استفاده می‌شود تا مشخص شود داده‌ها ایستا هستند یا خیر.
   • اگر داده‌ها غیرایستا باشند، تفاضل‌گیری برای ایستا کردن انجام می‌شود.
3. تبدیل لگاریتمی (Log Transformation):
   • برای کاهش واریانس و تثبیت پراکندگی، لگاریتم داده‌ها محاسبه می‌شود.
4. تفاضل‌گیری (Differencing):
   • تفاضل‌گیری از داده‌های لگاریتمی برای ایستا کردن سری زمانی انجام می‌شود.
   • تست ADF مجدد برای بررسی ایستایی داده‌های تفاضل‌گیری شده اجرا می‌شود.

---

مرحله 3: شناسایی پارامترهای ARIMA (p, d, q)

1. مشاهده ACF (Autocorrelation Function):
   • نمودار ACF داده‌های تفاضل‌گیری شده رسم می‌شود تا پارامترهای مدل ARIMA، از جمله مرتبه خودرگرسیو (p) و میانگین متحرک (q) مشخص شوند.

---

مرحله 4: برازش مدل ARIMA

1. تعریف مدل ARIMA:
   • مدل ARIMA با مقادیر p=12، d=1 (یک مرحله تفاضل‌گیری)، و q=2 تنظیم می‌شود.
   • پارامترهای مدل با داده‌های لگاریتمی برازش داده می‌شوند.

---

مرحله 5: پیش‌بینی سری زمانی

1. پیش‌بینی:
   • پیش‌بینی برای 24 ماه آینده انجام می‌شود.
   • نتایج پیش‌بینی‌شده به مقیاس اصلی با استفاده از تابع نمایی بازگردانده می‌شوند.
   • حدود اطمینان 90 درصد (Confidence Interval) برای پیش‌بینی‌ها محاسبه می‌شود.

---

مرحله 6: مصورسازی نتایج

1. رسم نمودار:
   • سری زمانی اصلی، مقادیر پیش‌بینی‌شده، و حدود اطمینان پیش‌بینی رسم می‌شوند.
   • نمودار نشان می‌دهد که چگونه مدل ARIMA داده‌های گذشته را برازش داده و آینده را پیش‌بینی می‌کند.

---

مرحله 7: ارزیابی مدل

1. محاسبه خطا:
   • خطای جذر میانگین مربعات (Root Mean Squared Error – RMSE) برای داده‌های برازش‌شده محاسبه و گزارش می‌شود.
   • این متریک نشان‌دهنده دقت مدل در برازش داده‌های اصلی است.

---

خلاصه:

این کد مراحل کامل مدل‌سازی سری زمانی با ARIMA را پوشش می‌دهد:

• بارگذاری داده‌ها
• پیش‌پردازش
• شناسایی پارامترها
• برازش مدل
• پیش‌بینی و ارزیابی

این کد برای داده‌های سری زمانی (مانند تعداد مسافران خطوط هوایی) بسیار مناسب بوده و عملکرد مدل در پیش‌بینی داده‌های آینده را ارزیابی می‌کند.

---

مدرس: حسن سعادتمند

• بیش از 250 دوره آموزشی در متلب (MATLAB) و پایتون (Python).
• بیش از 15 سال تجربه در زمینه یادگیری ماشین، الگوریتم های فراابتکاری، یادگیری عمیق، مهندسی کنترل.
• چاپ چندین مقاله Q1 در بهترین ژرنال های دنیا Google Scholar.
• مدرس فرادرس
• کانال یوتیوب، کانال اپارت، کانال تلگرام، کانال ایتا