1. 为什么用ARIMA而不是一上来就整LSTM:这个预测问题的本质
1.1 从"洗发水销售预测"这个题目说起
很多朋友刚接触时间序列预测时,第一反应是"直接上深度学习",嘴里念叨着LSTM、Transformer,恨不得把库存的数据全部丢进神经网络里跑一遍。但我真实做项目时,面对"洗发水销售预测"这类单变量、规模小、周期性明显的序列,第一个想到的永远是ARIMA。原因很简单:数据量就一百多个月度样本,LSTM动辄需要几千上万个时间步才能喂饱,强行训练只会得到一组漂亮的验证曲线和一堆脆弱的测试结果。ARIMA参数少、可解释强、不需要GPU,在一张普通的笔记本上几秒钟就能跑完,而且它给出来的预测区间、残差分析、模型诊断路径,在统计层面讲得非常清晰。这篇博文就跟着一个完整的洗发水月度销售预测项目,把ARIMA从数据准备到模型评估的整条链路走一遍。
这里说的洗发水销售数据,是那种经典的"每个月一条销量记录"的零售序列,大约几十到一百多个时间点,包含明显的长期趋势,还可能附带一定季节性。这类数据在电商、日化、快消品行业非常典型:单个SKU的销量受到促销、季节、库存、渠道等众多因素干扰,但整体上又存在稳定的时间规律。ARIMA在这个场景里更像是一个"合格基线":它也许打不过精心调参的机器学习模型,但在你没有额外特征、只有历史销量一条曲线的前提下,它能帮你快速建立预测基线,并为后续引入外部变量(比如促销日、节假日、天气)留下清晰的模型框架。
1.2 这个项目适合谁,以及我将怎么组织这篇文章
如果你正在学Python数据分析,手里有一份时间序列数据但不知道从何下手;或者你已经会用statsmodels跑出ARIMA结果,但对p、d、q三个参数始终停留在"背公式"的阶段;再或者你负责一个零售店铺的补货工作,想用代码替代"拍脑袋式"的进货判断——这篇内容都适合你。我会按一个真实项目的推进顺序来写:先解释数据的平稳性概念和检验手段,再讲清楚ARIMA每个字母背后的数学直觉,然后落到statsmodels的实操代码上,最后讨论预测区间、滚动验证以及真实场景里的坑。整篇代码我默认使用Python 3.8以上环境,依赖pandas、numpy、statsmodels、matplotlib,这些库直接pip install即可。
为了避免读者在理论里绕晕,我全程用洗发水销售这个具体例子来讲。比如"差分"这个操作,我不会只丢出公式,而是会展示"本期销量减去上期销量"之后画出来的曲线长什么样、为什么差分了序列就更容易预测。再比如"自回归"为什么能起作用,我会用"今天的销量和上个月、上上个月的销量存在相关性"这种直觉来解释。你要知道,ARIMA不是万能的,但它对入门者建立正确的时间序列建模思维非常重要——很多人在没搞懂ARIMA之前就去用Prophet、用LSTM,结果预测崩了都不知道该从哪里排查。
1.3 数据准备:一份像样的洗发水销售数据该长什么样
为了演示,我构造了一份有60个月记录的洗发水月销量数据,时间跨度从2019年1月到2023年12月。数据里包含一个缓慢上升的长期趋势,叠加了一定幅度的随机波动,偶尔还夹杂一两个异常值代表促销活动带来的销量暴增或断货导致的销量暴跌。实际项目中你的数据可能更长或更短,但结构大体一致:一列日期,一列数值。
python复制import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.arima.model import ARIMA
import warnings
warnings.filterwarnings('ignore')
# 构造示例数据:60个月洗发水销量,单位:瓶
np.random.seed(42)
dates = pd.date_range(start='2019-01-01', periods=60, freq='MS')
trend = np.linspace(200, 500, 60)
seasonal = 30 * np.sin(np.linspace(0, 4 * np.pi, 60))
noise = np.random.normal(0, 25, 60)
sales = trend + seasonal + noise
df = pd.DataFrame({'日期': dates, '销量': sales})
df['销量'] = df['销量'].round(0)
print(df.head())
print(df.tail())
这段代码的目的不是让你照抄,而是帮你建立"数据到底长什么样"的体感。真正的难点从来不在构造数据,而在之后你拿到真实订单数据时,需要做去重、缺失值填充、异常值修正等一系列脏活累活。ARIMA对缺失值没有天然容忍度,statsmodels在遇到NaN时会直接报错或跳过,所以数据清洗必须前置。我通常的做法是:先看有没有缺失月份,如果有,优先用前向填充加插值组合处理;再画箱线图确认有没有远超正常波动的离群点,如果某个月的销量是前后几个月的3倍以上,多半是系统记录错误或人为漏录,这种点要么剔除,要么用相邻月份的均值平滑掉。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 拆解ARIMA的三个字母:自回归、差分、移动平均的实战含义
2.1 自回归(AR):用"自己过去的值"解释"现在的值"
ARIMA模型里的第一个字母AR,全称是Autoregressive,中文翻译叫自回归。字面上理解,就是拿这个序列自己的历史值去回归当前值。比如洗发水这个月卖出了1000瓶,如果上个月卖出了950瓶、上上个月卖出880瓶,那么本月销量通常和这两个历史月份存在某种数量关系。写成公式就是:
code复制y_t = c + φ1 * y_{t-1} + φ2 * y_{t-2} + ... + φp
