这是一个可以实现ARIMA的预测程序，程序有标注，好理解。

使用时间序列进行短时交通预测的小程序。。

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。 

基于加权马尔可夫链修正的ARIMA 预测模型的研究.pdf

时序分析和arima预测的例子，包括一个时序数据集合jupyter notebook代码，数据集是飞机乘客数据。

ARIMA预测，有差分代码，求最优的模型

ARIMA预测模型，非常适用于初学者和专业人士作为参考

预测股票价格 使用ARIMA预测来预测股票价格 问题：使用时间序列建模预测股票价格 在Gametop惨败之后，我以对Wallstreetbets的劣信，对在股票市场进行项目变得非常感兴趣。 该项目的目的是查看我是否可以使用时间序列建模来预测股票价格 方法：ARIMA 数据：TDAmeritrade API的股票市场价格 库： 麻木 大熊猫 统计模型 要求 阴谋地 结果 我们的模式的AIC较小，为-20964.701。 但这是否等于一个好的模型？ 可能不会。 如果我们检查残差（预测-收盘价），则平均差约为0。 但是，标准偏差为12.6，这意味着65％的预测偏离了0 +12.6，这可能会导致重大损失。 在某一时刻，模型预测偏离了-135和144，这些交易将导致巨大的损失。 未来的工作 准确性很重要。 未来的目标是减小残差分布的宽度（标准偏差）

为对矿井涌水量进行准确预测,以矿井涌水量历史时序数据为基础,提出一种综合自回归移动平均模型.建模时首先需要对涌水量时间序列进行平稳化处理,根据拖尾、截尾情况及BIC数值初步确定一个模型,进行参数估计、假设检验,并作出必要调整,反复循环,直至获得较为满意的ARIMA模型.以东欢坨矿1991年1月到2014年4月月度涌水量进行实验分析,最终建立了ARIMA(1,1,1)预测模型,利用该模型进行预测,最大误差为2.1829%,最小误差仅为0.2885%,模型精度较高,能够很好地满足实际工程需要.研究结果表明:ARIMA模型对矿井涌水量短期预测是可行的.