辣椒类产品销量和利润时间序列预测 - SARIMA 模型应用

这段代码实现了对辣椒类产品的销量和利润进行时间序列预测的功能。首先，代码读取了辣椒类产品的销售数据，并选择了最近 4 个月的数据作为训练集。然后，使用自相关函数 (ACF) 和偏自相关函数 (PACF) 图形来确定 SARIMA 模型的参数。接着，根据选定的参数，分别为销量和利润拟合了 SARIMA 模型。最后，使用训练好的模型预测了接下来 7 天的销量和利润，并进行可视化展示。

代码中使用到的主要步骤和方法包括：

1. 数据读取和预处理： 读取 CSV 文件，将 '销售日期' 列转换为日期格式，并选择 '辣椒类' 产品的数据。
2. 数据划分： 将最近 4 个月的数据划分为 80% 的训练集和 20% 的测试集。
3. 模型参数确定： 使用 ACF 和 PACF 图形确定 SARIMA 模型的阶数 (order) 和季节性阶数 (seasonal_order)。
4. SARIMA 模型拟合： 使用 statsmodels.tsa.statespace.sarimax.SARIMAX 类分别为销量和利润拟合 SARIMA 模型。
5. 预测： 使用拟合的模型预测未来 7 天的销量和利润。
6. 可视化： 使用 matplotlib.pyplot 库绘制预测结果，包括实际值、预测值和置信区间。

代码中的关键点：

• 使用 timedelta 对象来选择最近 4 个月的数据。
• 使用 pd.concat 函数将训练数据和预测数据合并在一起进行可视化。
• 使用 axvspan 函数在可视化图中突出显示未来 7 天的预测结果。

这段代码展示了如何使用 Python 中的 statsmodels 库来进行时间序列预测，并提供了可视化结果，方便用户理解和分析预测结果。