掌握季节指数预测，这些实用例题让你轻松应对

季节指数预测是一种统计学方法，用于分析时间序列数据中的季节性变化。掌握这一技能对于商业、农业、气象等多个领域都非常重要。以下是一些实用的例题，帮助你更好地理解和应用季节指数预测。

例题一：计算季节指数

问题描述：一家冰淇淋店在过去一年的每个月份的销售额如下表所示：

请计算该冰淇淋店销售额的季节指数。

解题步骤：

1. 计算月度销售额的平均值。
2. 计算每个月份的销售额与平均值的比值。
3. 将比值标准化，使其在0到1之间。

代码示例：

import numpy as np

# 销售额数据
sales = np.array([2000, 2500, 3000, 3500, 4000, 4500, 5000, 5500, 6000, 6500, 7000, 7500])

# 计算平均值
average_sales = np.mean(sales)

# 计算季节指数
seasonal_indices = sales / average_sales

# 标准化季节指数
normalized_indices = (seasonal_indices - np.min(seasonal_indices)) / (np.max(seasonal_indices) - np.min(seasonal_indices))

print(normalized_indices)

例题二：季节性调整

问题描述：一家服装店在过去一年的每个月份的销售量如下表所示：

请对该销售数据进行季节性调整。

解题步骤：

1. 计算每个月份的季节指数。
2. 将原始销售量除以相应的季节指数，得到季节性调整后的销售量。

代码示例：

# 销售量数据
quantity = np.array([100, 150, 200, 250, 300, 350, 400, 450, 500, 550, 600, 650])

# 计算季节指数（这里使用上题中计算的季节指数）
seasonal_indices = np.array([0.5, 0.7, 0.8, 0.9, 1.0, 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7])

# 季节性调整
seasonally_adjusted_quantity = quantity / seasonal_indices

print(seasonally_adjusted_quantity)

例题三：预测未来季节性销售

问题描述：一家玩具店在过去三年的每个月份的销售量如下表所示：

请预测2022年1月到12月的季节性销售量。

解题步骤：

1. 计算每个月份的季节指数。
2. 使用过去三年的季节性销售数据，建立时间序列模型。
3. 使用模型预测2022年的季节性销售量。

代码示例：

# 这里使用pandas和statsmodels库进行时间序列建模和预测
import pandas as pd
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.tsa.statespace.sarimax import SARIMAX

# 假设已经将数据加载到DataFrame中
df = pd.DataFrame(data)

# 季节性分解
decomposition = seasonal_decompose(df['sales'], model='additive', period=12)

# 建立SARIMAX模型
model = SARIMAX(df['sales'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))
results = model.fit()

# 预测2022年
forecast = results.get_forecast(steps=12)
predicted_sales = forecast.predicted_mean

print(predicted_sales)

通过以上例题，你可以更好地理解和应用季节指数预测。记住，实际应用中可能需要根据具体数据进行调整和优化。