ARIMA模型
ARIMA模型的全称是自回归移动平均模型，是用来预测时间序列的一种常用的统计模型，一般记作ARIMA(p,d,q)。
ARIMA的适应情况
ARIMA模型相对来说比较简单易用。在应用ARIMA模型时，要保证以下几点：
时间序列数据是相对稳定的，总体基本不存在一定的上升或者下降趋势，如果不稳定可以通过差分的方式来使其变稳定。
非线性关系处理不好，只能处理线性关系
判断时序数据稳定
基本判断方法：稳定的数据，总体上是没有上升和下降的趋势的，是没有周期性的，方差趋向于一个稳定的值。
ARIMA数学表达
ARIMA(p,d,q)，其中p是数据本身的滞后数，是AR模型即自回归模型中的参数。d是时间序列数据需要几次差分才能得到稳定的数据。q是预测误差的滞后数，是MA模型即滑动平均模型中的参数。
a) p参数与AR模型
AR模型描述的是当前值与历史值之间的关系，滞后p阶的AR模型可以表示为：
其中u是常数，et代表误差。
b) q参数与MA模型
MA模型描述的是当前值与自回归部分的误差累计的关系，滞后q阶的MA模型可以表示为：
其中u是常数，et代表误差。
c) d参数与差分
一阶差分：
二阶差分：
d) ARIMA = AR+MA
ARIMA模型使用步骤
获取时间序列数据
观测数据是否为平稳的，否则进行差分，化为平稳的时序数据,确定d
通过观察自相关系数ACF与偏自相关系数PACF确定q和p
得到p，d，q后使用ARIMA(p,d,q)进行训练预测
Python调用ARIMA
#差分处理
diff_series = diff_series.diff(1)#一阶
diff_series2 = diff_series.diff(1)#二阶
#ACF与PACF
#从scipy导入包
from scipy import stats
import statsmodels.api as sm
#画出acf和pacf
sm.graphics.tsa.plot_acf(diff_series)
sm.graphics.tsa.plot_pacf(diff_series)
#arima模型
from statsmodels.tsa.arima_model import ARIMA
model = ARIMA(train_data,order=(p,d,q),freq='')#freq是频率,根据数据填写
arima = model.fit()#训练
print(arima)
pred = arima.predict(start='',end='')#预测
总结
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对我们的支持。如果你想了解更多相关内容请查看下面相关链接
时间： 2019-03-30

哈喽！大家好！这里是BIM学习营，一个专注BIM建模教程分享的平台。
知乎视频​www.zhihu.com
框架柱工艺样板
回归模型本质的话，建模基本功的扎实；可以结合BIM模型+专业更肆意的表达我们三维想要的效果。
接下来，我们会不定期更新创优BIM质量样板模型建模视频，旨在帮助大家提升模型创建、模型应用的效率。
首先是熟悉了解我们接下来框架柱工艺样板模型得基本参数，小编经过反复查询资料，核对之后，以下表参数为例，给大家讲解基本操作步骤。
框架柱工艺模板
承台1500*1500*285
梁600*600*2000
箍筋直径12@200
纵筋12@150
模板600*2000*20
立杆直径48，厚度3.5，高度2000
水平杆直径48，厚度3.5，长度700
方木块80*60*2000
相比较而言，样板模型的建模过程比较繁琐，首先我们创建样板模型之前，确定构件参数很重要，其次就是通过族的方式来实现。
那么，接下来分享基本步骤如下：
创建箍筋、纵筋、立杆、水平杆、方木块族，至于山型卡、扣件族我们用现成的，这里就不单独来罗列。
创建完框架柱样板所需要的族之后，新建项目样板-结构样板。创建承台-柱如图所示：
创建参照平面辅助定位，放置构件族。通过参数化建族，创建框架柱工艺样板的时候可以根据尺寸进行修改。
通过创建样板工艺模型，无论是技术交底，还是汇报展示；其效果是显而易见的。我们实际做工程过程，都是样板先行，可见样板模型的创建对于我们实际施工指导的意义重大。
关注我们每天分享Revit实战建模教程！如需原创教程的，添加客服微信，通过之后截图后台私信我获取~

	

数学建模到底是学什么？
数学建模是研究如何将数学方法和计算机知识结合起来用于解决实际生活中存在问题的一门边缘交叉学科，是集经典数学、现代数学和实际问题为一体的一门新型课程，是应用数学解决实际问题的重要手段和途径。
该学科通过具体实例引入使学生掌握数学建模基本思想、基本方法、基本类型。学会进行科学研究的一般过程，并能进入一个实际操作的状态。通过数学模型有关的概念、特征的学习和数学模型应用实例的介绍，培养学生双向翻译能力，数学推导计算和简化分析能力，熟练运用计算机能力；培养学生联想、洞察能力、综合分析能力；培养学生应用数学解决实际问题的能力。
学习数学建模需要具备的基础知识：高等数学、线性代数、概率论与数理统计。
学习内容简述：数学建模的概述、初等模型、简单优化模型、微分方程模型、离散模型、线性规划模型、概率模型等模型的基本建模方法及求解方法。
学习内容详述：以建立不同的数学模型作为教学项目载体，每个项目分解为若干个学习任务：下面是整合两个版本的内容，供参考。
一：建立数学模型
学习内容：
(1)数学建模的历史和现状；
(2)高职院校开设数学建模课的现实意义；
(3)数学模型的基本概念；
(4)数学模型的特点和分类；
(5)数学建模的方法及基本步骤。
二：初等数学建模
学习内容：
(1)初等函数建模法：基本初等函数数学模型；常用的经济函数模型；
(2)集合建模法：鸽笼原理；“奇偶效验”法；相识问题；
(3)比例与函数建模法：动物体型模型；双重玻璃的功效模型；席位分配模型。
三：微分方程建模
学习内容：
(1)微分方程建模方法；
(2)熟悉微分方程建模案例：Malthus模型；Logistic模型；具有收获的单种群模型；
(3)经济增长模型；资金与劳动力的最佳分配；劳动生产率增长；
(4)人口的预测和控制；
(5)微分方程稳定性理论简介。
四：数学规划建模
学习内容：
(1)线性规划模型原理与案例：运输模型；食谱模型；河流污染与净化模型；合理下料模型；
(2)非线性规划模型原理与案例：投资决策模型；武器分配模型；防洪优化问题；森林救火费用最小模型；
(3)0-1规划模型原理与案例：饮料厂的生产与检修计划模型；指派问题模型；投资决策问题模型。
五：概率统计建模
学习内容：报童卖报模型；随机存贮模型；商店进货策略模型。
六：层次分析建模
学习内容：
(1)层次分析法原理、步骤、特点；
(2)层次分析法案例：选拔干部模型；循环比赛的名次；
(3)效益的合理分配方法。
七：插值与拟合建模
学习内容：
(1)插值方法与案例；
(2)拟合方法与案例。
八：数学软件基础知识及其应用
教学内容：
(1)LINGO的基础知识；
(2)LINGO在建模中的应用案例；
(3)MATLAB的的基础知识；
(4)MATLAB在建模中的应用案例。
(一)数学建模概述
1. 掌握数学模型、数学建模的概念。 
2. 了解数学模型的分类。
3. 了解数学模型的特点、功能。
4. 了解数学模型的作用。
5. 了解数学建模的步骤与建模过程。
6. 了解数学模型的评价。
(二)常用的数学建模方法
1. 熟练掌握数学建模的机理分析法。 
2. 熟练掌握数学建模的数据分析法。
3. 熟练掌握数学建模的模拟法。
4. 掌握计算机仿真方法。
5. 掌握类比分析建模。
6. 掌握人工假设法建模。
7. 了解物理系统建模方法。
8. 理解利用数学手段、方法处理问题的常用思维方法。
(三)初等模型
1. 掌握简单的代数法建模技巧。 
2. 掌握图解法建模技巧。
3. 掌握初等概率建模方法。
(四)微分方程建模
1. 理解糖尿病诊断的数学构型。 
2. 掌握种群增长的微分方程模型。
3. 掌握行星运动规律的数学模型。
4. 理解交通问题的偏微分方程模型。
5. 理解扩散问题的偏微分方程模型。
6. 深刻理解并掌握常微分方程建模的思想、方法。
(五)离散模型
1. 熟练掌握差分法建模的技巧。
2. 掌握逻辑法建模技巧。
3. 掌握层次分析法建模技巧。
4. 掌握图论、网络模型(最短路模型、最小生成树模型、最大流模型、匹配模型)。
5. 了解复杂系统的决策模型。
(六)随机模型
1. 熟练掌握概率分布建模方法。 
2. 掌握数学建模中的方差分析法。
3. 掌握数学建模中的相关分析法。
4. 掌握数学建模中的回归分析法。
5. 掌握数学建模中的判别分析法。6. 理解随机决策模型。
(七)数值分析建模
1. 掌握插值法建模技巧。 
2. 熟练掌握线(面)拟合法建模技巧。
3. 熟练掌握数据收集、分析、整理、处理的方法、技巧。
4. 能用数据处理方法解决一些实际问题。
(八)经济模型
1. 掌握线性规划、非线性规划等最优化模型在经济活动中的应用技巧。 
2. 理解动态规划模型。
3. 理解投入产出、存储、决策等经济行为模型。
图文||数模乐园
编辑||陈鹏飞
审核||柯学
了解更多数学建模知识微信:gh_af23481ff9c1

我们知道，数据挖掘的基本流程包括：(1)业务理解、(2)数据理解、(3)数据准备、(4)数据预处理和建模、(5)模型评估、(6)模型部署应用。其中第 4 步，数据预处理和建模是整个流程的核心部分，其他的步骤都是围绕的该步骤进行的。建模高手和初学者的差距也往往在这里，建出一个模型很容易，快速高效的建出一个好的模型却不容易。
机器学习发展到今天已经有众多优秀前辈给我们贡献了各种各种现成的算法包，例如在 Scikit-learn 里就提供括回归 (Regression)、降维(Dimensionality Reduction)、分类(Classfication)、聚类(Clustering) 等方法的算法库，使用者只需要轻松的调包操作就能跑出一个模型。但是要建出高质量的模型，这是远远不够的。数据挖掘算法和数据库运算中用到的排序、分组算法有很大不同，后者是确定的算法，同样的数据进来就会出同样的结果，也没多少参数可调。而数据挖掘算法有许多经验因素，同样的数据进去，设置不同的参数来训练模型，结果很可能是不一样，甚至可能差别很大。以常用的 GBDT 算法为例，需要的参数有十几个，如下图所示，这些参数表示什么含义，如何去设置，如何能快速找到最佳值，当模型效果不好时如何去调参, 这都需要建模师对算法原理和应用场景有深刻的理解才能顺利进行。况且算法也不是只有这一种，在建模时用哪种算法，是用一种还是多种组合用，都是建模师要需要考虑的。
比这更复杂的是，在建模之前还要做大量的预处理工作，例如对于非标准正态分布的变量，应该如何处理；对于数据中的噪音应该如何降噪，对于高基数变量如何处理等等。因此，建模高手和初学者的区别就在于建模高手往往具备深厚的统计学理论和丰富的建模调参经验，对数据分布，数据预处理，算法运行原理等有着深刻的理解，而初学者往往只会机械的调包计算，不懂得背后的理论知识，不清楚如何数据探索和分析，不懂得如何处理数据使数据更适合拿来建模，往往只是照猫画虎，知其然而不止其所以然。就好像没有学过建筑学的人拿着一堆原材料去盖大楼，盖出的楼能不能住人、会不会倒，经常要看运气了。
不过，作为初学者也不必担心，近年来兴起的自动建模技术就可以有效的帮助我们。自动建模技术是将统计学家和数学家的数据处理经验和理论融入到软件中，使得软件能够智能的去完成数据预处理，建模型，选参数，做评估等一系列的工作。对于使用者来讲只需要将数据丢进自动建模工具，并且配置好目标，工具就能够自动建出优质模型。即使是没有统计学背景，不了解算法的初学者，或者普通的 IT 程序员都可以通过自动建模技术来做数据挖掘业务，连简单的 Python 都不用再学就可以享受 AI 技术带来的福利。
对进一步数据挖掘和 AI 技术感兴趣的同学还可以搜索“乾学院”，上面有面向小白的零基础“数据挖掘”免费课程，或者直接点下面的链接也可以：http://www.raqsoft.com.cn/wx/course-data-mining.html