通过numpy转换：
import numpy as np
series['maxsal']= series['maxsal'].astype(np.float64)
series['minsal']= series['minsal'].astype(np.float64)
在调用ARIMA之前，加入上面两行。
model = ARIMA(series, order=(1,1,0))某些情况下，也可以选择直接执行下面这行代码：
series = series.astype(np.float64) ARMA, ARIMA, SARIMA assumptions:▪ Time-series data is stationary.
▪ If nonstationary, remove trend, seasonality, apply differencing, and so on.
▪ Remember that stationary data has no trend, seasonality, constant mean, and
constant variance.
▪ Therefore, the past is assumed to represent what will happen in the future
in a probabilistic sense.
pyramid-arima 的安装请见 https://pypi.org/project/pyramid-arima/
(我只在linux系统上成功安装了，windows上没有成功)
函数参数介绍请见 https://www.alkaline-ml.com/pmdarima/index.html
Github上的例子请见 https://github.com/tgsmith61591/pmdarima
pm.auto_arima可以自动搜索出arima模型中的(q, d, p)参数
参考 https://blog.csdn.net/HHXUN/article/details/79858672
利用 model.predict() 函数预测
或更优的，使用 model.update() 函数，不断用新观测到的 value 更新模型，以达到更长时间的预测。
2.4 模型评价
公司平台上有不同的api，供内部或外部调用，这些api承担着不同的功能，如查询账号、发版、抢红包等等。日志会记录下每分钟某api被访问了多少次，即一个api每天会有1440条记录（1440分钟），将每天的数据连起来观察，有点类似于股票走势的意思。我想通过前N天的历史数据预测出第N+1天的流量访问情况，预测值即作为合理参考，供新一天与真实值做实时对比。当真实流量跟预测值有较大出入，则认为有异常访问，触发报警。
我放了一份样例数据在data文件夹下，
看一下数据大小和结构
画图看一下序列的走势:（一些画图等探索类的方法放在了test_stationarity.py 文件中，包含时间序列图，移动平均图，有兴趣的可以自己尝试下）。
看这糟心的图，那些骤降为0的点这就是我遇到的第一个坑，我当初一拿到这份数据就开始做了。后来折腾了好久才发现，那些骤降为0的点是由于数据缺失，ETL的同学自动补零造成的，沟通晚了(TДT)。
把坑填上，用前后值的均值把缺失值补上，再看一眼：
发现这份数据有这样几个特点，在模型设计和数据预处理的时候要考虑到：
前六天的数据做训练，第七天做测试集。
消除数据的毛刺，可以用移动平均法，我这里没有采用，因为我试过发现对于我的数据来说，移动平均处理完后并不能使数据平滑，我这里采用的方法很简单，但效果还不错：把每个点与上一点的变化值作为一个新的序列，对这里边的异常值，也就是变化比较离谱的值剃掉，用前后数据的均值填充，注意可能会连续出现变化较大的点：
平滑后的训练数据：
采用statsmodels工具包：
对分解出来的趋势部分单独用arima模型做训练：
预测出趋势数据后，加上周期数据即作为最终的预测结果，但更重要的是，我们要得到的不是具体的值，而是一个合理区间，当真实数据超过了这个区间，则触发报警，误差高低区间的设定来自刚刚分解出来的残差residual数据：
预测并完成最后的加法处理，得到第七天的预测值即高低置信区间：
对第七天作出预测，评估的指标为均方根误差rmse，画图对比和真实值的差距：
可以看到，均方根误差462.8，相对于原始数据几千的量级，还是可以的。测试数据中的两个突变的点，也超过了置信区间，能准确报出来。
前文提到不同的api形态差异巨大，本文只展示了一个，我在该项目中还接触了其他形态的序列，有的有明显的上升或下降趋势；有的开始比较平缓，后面开始增长... ... ,但是都属于典型的周期性时间序列，它的核心思想很简单：做好分解，做好预测结果的还原，和置信区间的设置，具体操作可根据具体业务逻辑做调整，祝大家建模愉快:-D。
