为避免传统预测方法误差率较大的缺陷，在考虑高速公路月度交通量季节性周期特点的基础上，构建了ARIMA预测模型，并对ARIMA模型识别、模型检验和模型预测进行了系统分析，并应用于某高速公路进行月度交通量预测。应用结果表明：模型预测综合误差率为5.45%，低于灰色模型35.43%的误差率，低于三次指数平滑法的5.65%误差率；ARIMA预测模型能更好地适应于高速公路月度交通量预测。

针对矿井瓦斯浓度预测研究现状，提出一种基于Python的瓦斯浓度时间序列预测方法。 该方法采集、处理了矿井瓦斯浓度历史数据，形成适用于数据挖掘的平稳时间序列；基于该序列，调 用Python自带的ARIMA模块函数，构建瓦斯浓度预测模型；利用建立的预测模型对瓦斯浓度进行 预测，并对比分析瓦斯浓度历史数据与预测数据的误差大小，进行模型预测效果评价；最后，利用满 足精度要求的预测模型，预测瓦斯浓度变化趋势。 以贵州某矿为例，采集2018年３月５日 至2018年３月７日的瓦斯数据作为样本数据，并调用Python的ARIMA模块建立预测模型，开展瓦斯浓度 预测研究。 结果表明，该方法实现了瓦斯浓度预测的可视化，并使瓦斯浓度预测均方根误差低为2.34％，预测精度较高，可为降低矿井瓦斯事故提供一定的技术支撑。 

基于ARIMA模型的居民消费价格指数的预测方法研究

arima的matlab代码time_series_forecasting_pytorch 实验源码：使用pytorch进行时间序列预测，包括MLP、RNN、LSTM、GRU、ARIMA、SVR、RF和TSR-RNN模型。 要求 Python 3.6.3（Python） keras 2.1.2 火炬 1.0.1 张量流-GPU 1.13.1 sklearn 0.19.1 麻木 1.15.4 熊猫 0.23.4 统计模型 0.9.0 matplotlib 2.1.0 代码 ARIMA.py：ARIMA 模型，迭代版本 Holt_Winters.py Holt-Winters 模型，只有初级版本 eval.py：评估指标，包括RMSE、MAE、MAPE和SMAPE。 NN_forecasting.py：神经网络预测 model.py：神经网络模型 train.py：神经网络模型的训练和预测，包括RNN、LSTM、GRU、MLP、TSR-RNN ts_decompose.py：时间序列分解 ts_loader：神经网络模型的数据加载器 ML_forecasting.py：通用机器学习模型，包

介绍时间序列的arima模型的原理，以及在eviews中的实现方法

这是一份讲解ARIMA模型的PPT，详细讲解了从开始到最后的分析流程，

Arima模型在SPSS中的操作.ARIMA，就是autoregressive integrated moving-average model，中文应该叫做自动回归积分滑动平均模型，它主要使用与有长期趋势与季节性波动的时间序列的分析预测中。

时间序列数据建立arima_garch模型,采用提前一步滚动预测。

用JAVA语言实现ARIMA模型，可以用于预测一组连续的时间序列

arima 算法 JAVA 实现。包含参数估计、P，Q 定阶等 包含部分的分为AR、MA、ARMA以及ARIMA过程