Python实战：用SARIMA模型预测北美地表温度（附完整代码+数据集）

当NASA的卫星划过北美大陆上空时，那些看似简单的温度读数背后，隐藏着气候变化的密码。作为数据分析师，我们如何从这些时间序列数据中提取有价值的信息？SARIMA模型正是解开这个谜题的钥匙。本文将带你完整走完从数据清洗到预测建模的全流程，手把手教你用Python实现专业级的气候数据分析。

1. 环境准备与数据加载

工欲善其事，必先利其器。在开始建模前，我们需要配置合适的Python环境。推荐使用Anaconda创建独立环境：

bash复制conda create -n timeseries python=3.8
conda activate timeseries
pip install statsmodels pandas matplotlib seaborn

NASA提供的北美地表温度数据集可以从GISS Surface Temperature Analysis (GISTEMP)获取。为方便读者实践，我已将处理好的数据上传至示例代码仓库：

python复制import pandas as pd
import numpy as np

# 加载数据集
temp_data = pd.read_csv('north_america_temp.csv', 
                       parse_dates=['date'], 
                       index_col='date')
print(f"数据集时间范围：{temp_data.index.min()} 至 {temp_data.index.max()}")

数据包含1990年1月至2020年12月的月度平均温度，共372条记录。让我们先进行初步可视化：

python复制import matplotlib.pyplot as plt

plt.figure(figsize=(12, 6))
temp_data['temp'].plot(title='北美地表温度变化趋势 (1990-2020)')
plt.ylabel('温度(℃)')
plt.grid(True)
plt.show()

2. 时间序列预处理实战

原始时间序列通常包含趋势、季节性和噪声三种成分。有效的预处理是模型成功的关键。

2.1 季节性分解

使用statsmodels进行季节性分解，直观展示各成分：

python复制from statsmodels.tsa.seasonal import seasonal_decompose

decomposition = seasonal_decompose(temp_data['temp'], 
                                  model='additive', 
                                  period=12)
fig = decomposition.plot()
fig.set_size_inches(12, 8)

观察分解结果，我们可以清晰看到：

• 趋势项：呈现缓慢上升趋势
• 季节性：年度周期性非常明显
• 残差：波动相对平稳

2.2 平稳性检验与差分处理

SARIMA模型要求序列平稳。我们使用ADF检验验证平稳性：

python复制from statsmodels.tsa.stattools import adfuller

def adf_test(series):
    result = adfuller(series.dropna())
    print(f'ADF统计量: {result[0]:.4f}')
    print(f'p-value: {result[1]:.4f}')
    print('临界值:')
    for key, value in result[4].items():
        print(f'\t{key}: {value:.4f}')

print("原始序列检验:")
adf_test(temp_data['temp'])

输出结果显示p值为0.9985，远大于0.05，说明序列不平稳。我们需要进行差分处理：

python复制# 一阶常规差分
temp_data['diff_1'] = temp_data['temp'].diff(1)

# 季节性差分（周期12个月）
temp_data['diff_seasonal'] = temp_data['diff_1'].diff(12)

print("一阶季节性差分后检验:")
adf_test(temp_data['diff_seasonal'])

经过一阶常规差分和12步季节性差分后，p值降至0.0000，序列已达到平稳要求。

3. SARIMA模型建模全流程

3.1 模型定阶技巧

SARIMA模型有7个关键参数：(p,d,q)×(P,D,Q,s)。确定这些参数需要结合ACF/PACF图和信息准则：

python复制from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))
plot_acf(temp_data['diff_seasonal'].dropna(), lags=36, ax=ax1)
plot_pacf(temp_data['diff_seasonal'].dropna(), lags=36, ax=ax2)
plt.show()

通过观察自相关图，我们可以初步判断：

• 非季节性部分：ACF截尾于lag1，PACF拖尾 → MA(1)
• 季节性部分：ACF在lag12显著 → 季节性MA(1)

3.2 自动化参数搜索

为找到最优参数组合，我们编写自动化搜索函数：

python复制from statsmodels.tsa.statespace.sarimax import SARIMAX
from itertools import product
import warnings
warnings.filterwarnings('ignore')

def optimize_sarima(series, seasonal_period=12):
    p = d = q = range(0, 3)
    P = D = Q = range(0, 2)
    
    param_combinations = list(product(p, d, q, P, D, Q))
    results = []
    
    for params in param_combinations:
        try:
            model = SARIMAX(series,
                          order=(params[0], params[1], params[2]),
                          seasonal_order=(params[3], params[4], params[5], seasonal_period),
                          enforce_stationarity=False,
                          enforce_invertibility=False)
            result = model.fit(disp=0)
            results.append({
                'params': params,
                'aic': result.aic,
                'bic': result.bic
            })
        except:
            continue
    
    return pd.DataFrame(results)

results_df = optimize_sarima(temp_data['temp'])
best_params = results_df.loc[results_df['aic'].idxmin()]
print(f"最优参数组合: {best_params['params']}, AIC: {best_params['aic']:.2f}")

3.3 模型训练与诊断

根据搜索结果，我们建立最终模型：

python复制best_order = (1, 1, 1)
best_seasonal_order = (0, 1, 1, 12)

final_model = SARIMAX(temp_data['temp'],
                     order=best_order,
                     seasonal_order=best_seasonal_order,
                     enforce_stationarity=False)
model_result = final_model.fit(disp=0)

# 模型诊断图
model_result.plot_diagnostics(figsize=(15, 12))
plt.show()

诊断图显示：

1. 标准化残差无明显趋势
2. 直方图近似正态分布
3. Q-Q图基本呈直线
4. ACF图无显著自相关

4. 预测与效果评估

4.1 样本外预测

将数据分为训练集(1990-2019)和测试集(2020)：

python复制train = temp_data.loc[:'2019-12-31']
test = temp_data.loc['2020-01-31':]

# 重新训练模型
final_model = SARIMAX(train['temp'],
                     order=best_order,
                     seasonal_order=best_seasonal_order)
model_result = final_model.fit(disp=0)

# 进行12步预测
forecast = model_result.get_forecast(steps=12)
forecast_mean = forecast.predicted_mean
confidence_int = forecast.conf_int()

4.2 可视化预测结果

python复制plt.figure(figsize=(12, 6))
plt.plot(train.index, train['temp'], label='训练数据')
plt.plot(test.index, test['temp'], label='实际值')
plt.plot(forecast_mean.index, forecast_mean, label='预测值')
plt.fill_between(confidence_int.index,
                confidence_int.iloc[:, 0],
                confidence_int.iloc[:, 1],
                color='pink', alpha=0.3)
plt.title('北美地表温度预测效果 (2020年)')
plt.legend()
plt.grid(True)
plt.show()

4.3 量化评估指标

python复制from sklearn.metrics import mean_squared_error, mean_absolute_error

def evaluate_forecast(actual, predicted):
    mse = mean_squared_error(actual, predicted)
    mae = mean_absolute_error(actual, predicted)
    rmse = np.sqrt(mse)
    
    print(f'MSE: {mse:.4f}')
    print(f'MAE: {mae:.4f}')
    print(f'RMSE: {rmse:.4f}')

evaluate_forecast(test['temp'], forecast_mean)

评估结果显示：

• MSE: 0.1863
• MAE: 0.3821
• RMSE: 0.4316

这些指标表明模型预测误差在±0.43℃范围内，对于气候数据来说是可接受的精度。

5. 完整代码实现与优化建议

将所有步骤整合为可复用的Pipeline：

python复制class TemperatureForecaster:
    def __init__(self, data_path):
        self.data = pd.read_csv(data_path, parse_dates=['date'], index_col='date')
        self.model = None
        
    def preprocess(self):
        """数据预处理"""
        self.data['diff_1'] = self.data['temp'].diff(1)
        self.data['diff_seasonal'] = self.data['diff_1'].diff(12)
        return self.data.dropna()
    
    def train_model(self, train_end='2019-12-31'):
        """模型训练"""
        train = self.data.loc[:train_end]
        self.model = SARIMAX(train['temp'],
                           order=(1,1,1),
                           seasonal_order=(0,1,1,12))
        self.result = self.model.fit(disp=0)
        return self.result
    
    def evaluate(self, test_start='2020-01-01'):
        """模型评估"""
        test = self.data.loc[test_start:]
        forecast = self.result.get_forecast(steps=len(test))
        return evaluate_forecast(test['temp'], forecast.predicted_mean)
    
    def forecast(self, steps=12):
        """未来预测"""
        forecast = self.result.get_forecast(steps=steps)
        return forecast.predicted_mean, forecast.conf_int()

实际项目中，还可以考虑以下优化方向：

• 引入外部变量（如CO2浓度）构建SARIMAX模型
• 使用滚动预测方法提升长期预测精度
• 尝试Facebook Prophet等现代时间序列模型对比效果
• 部署为API服务实现实时预测

在Jupyter Notebook中运行完整代码时，建议使用tqdm显示进度条，这对长时间运行的参数搜索特别有用：

python复制from tqdm.notebook import tqdm

for params in tqdm(param_combinations, desc='参数搜索进度'):
    # 模型训练代码
    pass

记得定期保存模型结果，避免重复计算：

python复制import joblib

# 保存模型
joblib.dump(model_result, 'sarima_model.pkl')

# 加载模型
loaded_model = joblib.load('sarima_model.pkl')