Zum Hauptinhalt springen

SARIMAX: Saisonale Zeitreihen mit externen Variablen

Erfahre, wie SARIMAX saisonale Zeitreihenmodellierung mit externen Prädiktoren kombiniert. Verstehe die Parameter, die Unterschiede zu ARIMA und SARIMA und baue ein Prognosemodell in Python.
· 15 Min. lesen

Entdecke KI

Nehmen wir an, das Ziel ist die monatliche Stromnachfrage. Modelle wie ARIMA und SARIMA betrachten nur vergangene Werte der Reihe und ihre eigenen früheren Prognosefehler. Die Nachfrage hängt aber auch von äußeren Faktoren wie der Temperatur ab: Ein heißer Sommer erhöht sie, ein kalter Winter ebenso. Kann das Modell diese Faktoren nicht sehen, behandelt es jeden ungewöhnlichen Monat als Rauschen und macht denselben Fehler erneut, sobald sich das Wetter ändert.

SARIMAX löst dieses Problem, indem es externe, also exogene, Variablen zu einem saisonalen ARIMA-Modell hinzufügt. Es lernt weiterhin Trend und Saisonalität aus der Historie der Reihe, nutzt aber zusätzlich externe Informationen, die das erklären, was vergangene Werte nicht können.

Wenn du einen Einstieg in die Aufbereitung, Interpretation und Visualisierung von Zeitreihendaten in Python suchst, melde dich für unseren Lernpfad Time Series in Python an, um die Grundlagen in einer Woche sattelfest zu machen.

Was ist SARIMAX?

SARIMAX ist ein saisonales ARIMA-Modell, das zusätzlich externe Prädiktoren verwenden kann. Der Name steht für Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors.

SARIMAX sagt eine Zielzeitreihe auf Basis von vier Informationsquellen voraus:

  • Vergangene Werte: Nachfrage in den letzten Monaten
  • Vergangene Prognosefehler: Wie stark das Modell in den letzten Monaten danebenlag
  • Saisonale Muster: Nachfrage im selben Monat der Vorjahre
  • Exogene Variablen: Externe Daten, die du dem Modell zuführst, z. B. durchschnittliche Monatstemperatur

Angenommen, du willst die Stromnachfrage für den nächsten Juli prognostizieren. SARIMAX betrachtet die Nachfrage der letzten Monate, die Nachfrage in früheren Julis und die erwartete Julitemperatur. Die ersten beiden sind in der Reihe enthalten, die Temperatur kommt von außen.

Das Modell schreibst du als SARIMAX(p, d, q)(P, D, Q, S). Der erste Parametersatz beschreibt das Kurzzeitverhalten, der zweite die saisonale Komponente, wobei S die Anzahl der Zeitschritte pro Zyklus ist. Bei monatlichen Daten mit Jahresmuster ist S gleich 12.

Die exogenen Variablen sind in dieser Schreibweise nicht enthalten. Du übergibst sie dem Modell separat als eigene Eingabe.

Wie SARIMAX funktioniert

SARIMAX hat zwei Gruppen von Termen, darüber liegen die exogenen Variablen.

Die nicht-saisonalen Terme (p, d, q) modellieren das Kurzzeitverhalten:

  • Autoregressiver Ordnung p: Wie viele vergangene Werte das Modell verwendet. Bei p = 2 hängt die Nachfrage dieses Monats von den beiden Vormonaten ab

  • Differenzenordnung d: Wie oft die Reihe differenziert wird, um einen Trend zu entfernen. Bei d = 1 arbeitet das Modell mit Monatsveränderungen statt mit Rohwerten

  • Gleitender Durchschnitt Ordnung q: Wie viele vergangene Prognosefehler das Modell nutzt. Wenn das Modell letzten Monat die Nachfrage unterschätzt hat, fließt dieser Fehler in die Vorhersage für diesen Monat ein

Die saisonalen Terme (P, D, Q, S) tun dasselbe, aber auf saisonalen Lags:

  • Saisonale autoregressive Ordnung P: Wie viele vergangene Saisons das Modell betrachtet. Bei P = 1 und Monatsdaten hängt die Nachfrage im Juli von der Nachfrage im letzten Juli ab

  • Saisonale Differenzenordnung D: Wie oft bei saisonalen Lags differenziert wird. Bei D = 1 vergleicht das Modell diesen Juli mit dem letzten Juli und entfernt so das wiederkehrende Jahresmuster

  • Saisonale Ordnung des gleitenden Durchschnitts Q: Wie viele frühere Prognosefehler auf saisonalen Lags das Modell nutzt, z. B. den Fehler vom letzten Juli

  • Saisonperiode S: Wie viele Zeitschritte ein Zyklus hat. 12 bei Monatsdaten mit Jahresmuster und 7 bei Tagesdaten mit Wochenmuster

Exogene Variablen liefern Informationen, die die Reihe selbst nicht enthält.

Im Beispiel der Stromnachfrage ist das die Temperatur. Ein heißer Sommer oder ein kalter Winter erhöhen die Nachfrage, und vergangene Nachfragen können dem Modell nicht sagen, wie das Wetter im nächsten Monat wird. Das Jahresmuster kommt bereits aus den saisonalen Termen, daher reicht Temperatur als einzige externe Variable im Beispiel aus.

In statsmodels ist SARIMAX eine lineare Regression auf den exogenen Variablen, deren Fehler einem saisonalen ARIMA-Prozess folgen. Mit einer exogenen Variable sieht das so aus:

SARIMAX mit einer exogenen Variable

SARIMAX mit einer exogenen Variable

Hier ist y_t die Stromnachfrage im Monat t, x_t die Temperatur in diesem Monat, beta der Temperaturkoeffizient und u_t der Teil der Nachfrage, den die Temperatur nicht erklärt. Die nicht-saisonalen und saisonalen Terme modellieren u_t.

Einfach gesagt: Die Temperatur erklärt einen Teil der Nachfrage, und die SARIMA-Terme modellieren den Rest.

Hier ist eine visuellere Übersicht:

SARIMAX-Komponenten

SARIMAX-Komponenten

ARIMA vs. SARIMA vs. ARIMAX vs. SARIMAX

Diese vier Modelle gehören zur gleichen Familie. Die Unterschiede sind fein, aber nach einmaligem Lesen klar.

ARIMA modelliert eine Reihe aus ihren eigenen Vergangenheitswerten und früheren Prognosefehlern. SARIMA ergänzt saisonale Terme, um Muster zu modellieren, die sich alle S Zeitschritte wiederholen. ARIMAX fügt ARIMA exogene Variablen hinzu, hat aber standardmäßig keine saisonalen Terme. SARIMAX hat beides.

Darum kann SARIMAX die anderen Modelle als Spezialfälle darstellen. Ohne exogene Variablen erhältst du ein SARIMA-Modell. Setzt du alle saisonalen Ordnungen auf null, bekommst du ein nicht-saisonales ARIMAX. Und ohne beides ist es ARIMA.

Leider ist die Terminologie paketübergreifend uneinheitlich.

Das ARIMAX aus Lehrbüchern setzt exogene Variablen direkt in die ARIMA-Gleichung neben die Vergangenheitswerte der Reihe. Das SARIMAX in statsmodels passt stattdessen eine Regression mit SARIMA-Fehlern an, wie im vorherigen Abschnitt gezeigt. Beide Formen schätzen unterschiedliche Koeffizienten, daher kann dieselbe Temperaturvariable je nach Paket einen anderen Koeffizienten erhalten.

Auch Klassen- und Funktionsnamen stimmen nicht überein. Die ARIMA-Klasse in statsmodels akzeptiert ebenfalls saisonale Terme und exogene Variablen. In R verwaltet das Paket forecast externe Regressoren über das Argument xreg von Arima() und auto.arima(). Prüfe also vor einem Tool-Vergleich immer, wie jedes Paket das Modell definiert.

Hier eine kurze Zusammenfassung:

 Saisonalität?Externe Variablen?
ARIMANeinNein
SARIMAJaNein
ARIMAXNicht standardmäßigJa
SARIMAXJaJa

Vergleich der ARIMA‑Modellfamilie

Wann du SARIMAX einsetzen solltest

SARIMAX ist sinnvoll, wenn das Ziel eine wiederkehrende Saisonalität hat und externe Variablen die Prognose verbessern können.

Zum Beispiel:

  • Stromnachfrage: Temperatur und Kalendereffekte wie Feiertage, zusätzlich zum Jahreszyklus
  • Einzelhandelsumsätze: Promotions, Preise und Feiertagsphasen
  • Hotelbuchungen: Lokale Events und Zimmerpreise, zusätzlich zur jährlichen Reisesaison
  • ÖPNV-Nachfrage: Wetter und Schulferien, zusätzlich zu einem Wochenmuster in Tagesdaten

Aber SARIMAX ist nicht immer die beste Wahl. In zwei Fällen reicht ein einfacheres Modell:

  • Keine nennenswerte Saisonalität: Wenn die Reihe kein Muster wiederholt, fügen saisonale Terme nur zu schätzende Parameter hinzu. ARIMA oder ARIMAX genügt
  • Prädiktoren verbessern die Genauigkeit nicht: Reduzieren exogene Variablen den Fehler auf einem zurückgehaltenen Testzeitraum nicht, entferne sie und nutze SARIMA. Ein besserer Fit auf Trainingsdaten zählt nicht

Merke dir: SARIMAX benötigt für jeden exogenen Prädiktor Werte im Prognosezeitraum.

Manche Werte stehen im Voraus fest, etwa Feiertage oder geplante Promotions. Andere, wie die Temperatur, müssen separat prognostiziert werden, bevor SARIMAX sie nutzen kann. Wenn du für einen Prädiktor keine zukünftigen Werte bekommst, kannst du ihn in der Prognose nicht verwenden.

So baust du ein SARIMAX-Modell in Python

In diesem Abschnitt baue ich mit statsmodels ein SARIMAX-Modell – von Rohdaten bis zur 12‑Monats-Prognose.

Das Beispiel nutzt synthetische monatliche Stromnachfrage mit Temperatur als externer Variable. Klein, reproduzierbar und durchgängig zur Story im Artikel passend.

Daten vorbereiten

Der Datensatz deckt zehn Jahre monatlicher Daten ab, von Januar 2015 bis Dezember 2024.

Die Nachfrage hat einen Aufwärtstrend, ein sich langsam veränderndes Jahresmuster, einen Wettereinfluss und Rauschen. Zwei Temperaturmessungen fehlen absichtlich, damit du siehst, wie man mit Lücken umgeht:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import warnings

warnings.filterwarnings("ignore")

rng = np.random.default_rng(10)

# Monthly timestamps from January 2015 to December 2024
dates = pd.date_range(start="2015-01-01", periods=120, freq="MS")
month = dates.month.to_numpy()

# Average monthly temperature in degrees Celsius
temperature = 12 + 11 * np.sin(2 * np.pi * (month - 4) / 12) + rng.normal(0, 2, 120)

# Calendar pattern that repeats every year and changes slowly over time
calendar_effect = 15 * np.cos(2 * np.pi * (month - 1) / 12)
for t in range(12, 120):
    calendar_effect[t] = calendar_effect[t - 12] + rng.normal(0, 2.5)

# Short-term noise where each month carries over part of the previous one
noise = np.zeros(120)
for t in range(1, 120):
    noise[t] = 0.5 * noise[t - 1] + rng.normal(0, 6)

# Demand in GWh: upward trend, calendar pattern, weather effect, and noise
trend = np.linspace(500, 560, 120)
heating_demand = 6 * np.clip(18 - temperature, 0, None)
cooling_demand = 9 * np.clip(temperature - 18, 0, None)
demand = trend + calendar_effect + heating_demand + cooling_demand + noise

df = pd.DataFrame(
    {"demand_gwh": demand.round(1), "temperature": temperature.round(1)},
    index=dates,
)

# Two missing temperature readings
df.loc[["2018-07-01", "2021-02-01"], "temperature"] = np.nan

print(df.head())

Die ersten fünf Zeilen des Datensatzes

Die ersten fünf Zeilen des Datensatzes

Oder, wenn du eine visuelle Übersicht bevorzugst:

Der Temperaturdatensatz

Der Temperaturdatensatz

Wenn du mit eigenen Daten arbeitest, lade sie mit pd.read_csv() und setze die Datumsspalte als Index. Der restliche Workflow bleibt gleich.

SARIMAX benötigt einen Zeitindex mit konsistenter Frequenz. Mit .asfreq() setzt du ihn auf monatlich und fügst für fehlende Monate leere Zeilen ein. Danach kannst du die Lücken zählen und füllen:

df = df.asfreq("MS")
print(df.isna().sum())

df["temperature"] = df["temperature"].interpolate()

Interpolation der Temperaturlücken

Interpolation der Temperaturlücken

Lineare Interpolation passt hier, weil sich Temperaturen von Monat zu Monat glatt verändern. Für das Ziel gilt das nicht: Wenn große Abschnitte fehlen, solltest du sie nicht interpolieren – damit würdest du das Modell auf erfundenen Werten trainieren.

Als Nächstes die exogenen Variablen. Die Nachfrage steigt bei Kälte und bei Hitze, aber eine lineare Regression auf der Rohtemperatur kann kein U‑förmiges Muster abbilden. Deshalb splitte ich die Temperatur in zwei Features:

  • Heizgradtage: Wie viele Grad die Durchschnittstemperatur unter 18 °C liegt, sonst null
  • Kühlgradtage: Wie viele Grad die Durchschnittstemperatur über 18 °C liegt, sonst null
df["heating_degrees"] = (18 - df["temperature"]).clip(lower=0)
df["cooling_degrees"] = (df["temperature"] - 18).clip(lower=0)

Nun trennst du Ziel y und exogene Variablen X. Die Aufteilung muss chronologisch sein: Das Modell trainiert auf der Vergangenheit und wird an der Zukunft getestet. Ein zufälliger Split würde Zukunftsinformationen ins Training leaken:

y = df["demand_gwh"]
X = df[["heating_degrees", "cooling_degrees"]]

y_train, y_test = y[:"2022-12"], y["2023-01":]
X_train, X_test = X[:"2022-12"], X["2023-01":]

print(f"Train: {len(y_train)} months, Test: {len(y_test)} months")

Train/Test-Split

Train/Test-Split

Wichtig: X_test enthält tatsächlich beobachtete Temperaturen. In einer echten Prognose wüsstest du sie nicht im Voraus – höchstens eine Wettervorhersage. Der Testwert ist also optimistisch. Nutze beobachtete Prädiktorwerte zur Bewertung nur dann, wenn diese Werte auch zum Prognosezeitpunkt vorliegen, etwa Feiertage oder geplante Preise.

Saisonalität und Stationarität untersuchen

Starte mit einem Plot. Achte auf Trends, saisonale Zyklen und sprunghafte Änderungen:

from statsmodels.tsa.seasonal import seasonal_decompose

fig, ax = plt.subplots(figsize=(10, 4))
y_train.plot(ax=ax, title="Monthly electricity demand (GWh)")
plt.show()

Monatliche Stromnachfrage im Trainingszeitraum

Monatliche Stromnachfrage im Trainingszeitraum

Die Nachfrage steigt über die Zeit und erreicht jeden Winter einen Höhepunkt – mit einem kleineren Peak im Sommer. Das Muster wiederholt sich alle 12 Monate.

Eine saisonale Dekomposition zerlegt die Reihe in Trend-, Saison- und Restkomponente, damit du die Saisonperiode S bestätigst:

decomposition = seasonal_decompose(y_train, model="additive", period=12)
decomposition.plot()
plt.show()

Saisonale Dekomposition der Stromnachfrage

Saisonale Dekomposition der Stromnachfrage

Die saisonale Komponente wiederholt sich jährlich, also S = 12.

Modelle aus der ARIMA-Familie benötigen eine stationäre Reihe – also eine mit konstanter Erwartung und Varianz über die Zeit. Die Nachfrage ist nicht stationär, da sie Trend und Saisonalität enthält. 

Differenzierung ist ein Ausweg:

  • Reguläre Differenzierung (d): Subtrahiert den Vormonatswert vom aktuellen Wert. Entfernt einen Trend

  • Saisonale Differenzierung (D): Subtrahiert den Wert aus demselben Monat des Vorjahres. Entfernt wiederkehrende Saisonalität und zugleich einen linearen Trend

Der Augmented-Dickey-Fuller-(ADF)-Test prüft Stationarität. Seine Nullhypothese lautet, dass die Reihe nicht stationär ist. Ein kleiner p‑Wert (unter 0,05) liefert Hinweise auf Stationarität:

from statsmodels.tsa.stattools import adfuller

series_versions = {
    "Original": y_train,
    "Seasonally differenced (D=1)": y_train.diff(12).dropna(),
    "Both differences (d=1, D=1)": y_train.diff().diff(12).dropna(),
}

for name, series in series_versions.items():
    adf_stat, p_value = adfuller(series)[:2]
    print(f"{name}: ADF statistic = {adf_stat:.2f}, p-value = {p_value:.4f}")

ADF-Testergebnis

ADF-Testergebnis

Die Originalreihe ist nicht stationär. Saisonale Differenzierung allein genügt; zusätzliche reguläre Differenzen bringen nichts. Nutze die kleinste wirksame Differenzenanzahl – zusätzliche Differenzen fügen Rauschen hinzu und erschweren das Fitten.

Die Wahl lautet also d = 0 und D = 1.

Behandle den ADF-Test aber nur als unterstützenden Hinweis. Er sagt nichts über p, q, P oder Q aus und kann bei kurzen Reihen je nach Einstellung unterschiedlich ausfallen.

Kandidatenparameter wählen

ACF- und PACF-Plots helfen bei der Wahl der übrigen Ordnungen:

  • ACF (Autokorrelationsfunktion): Zeigt die Korrelation zwischen der Reihe und ihren verzögerten Werten. Ausschläge in der ACF deuten auf MA-Terme hin: q bei kurzen Lags, Q bei saisonalen Lags

  • PACF (partielle Autokorrelationsfunktion): Zeigt dieselbe Korrelation, bereinigt um Zwischenlags. Ausschläge in der PACF deuten auf AR-Terme hin: p bei kurzen Lags, P bei saisonalen Lags

Plotte beides für die saisonal differenzierte Reihe, denn mit dieser arbeitet das Modell:

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

y_seasonal_diff = y_train.diff(12).dropna()

fig, axes = plt.subplots(1, 2, figsize=(12, 4))
plot_acf(y_seasonal_diff, lags=24, ax=axes[0])
plot_pacf(y_seasonal_diff, lags=24, ax=axes[1])
plt.show()

ACF- und PACF-Plots der saisonal differenzierten Stromnachfrage

ACF- und PACF-Plots der saisonal differenzierten Stromnachfrage

Die ACF hat einen klaren negativen Ausschlag bei Lag 12 und keinen bei Lag 24. Das spricht typisch für einen saisonalen MA‑Term, daher ist Q = 1 ein guter Kandidat. Beide Plots zeigen zudem ein paar Ausschläge bei kurzen Lags, also sind p und q prüfenswert.

Als Nächstes passt du eine kleine Menge Kandidatenmodelle und vergleichst sie über AIC oder BIC. Beide bewerten den Fit auf den Trainingsdaten und bestrafen zusätzliche Parameter. Je niedriger, desto besser; BIC bestraft Komplexität stärker als AIC:

import itertools
from statsmodels.tsa.statespace.sarimax import SARIMAX

candidates = []
for p, q, P, Q in itertools.product([0, 1], [0, 1], [0, 1], [0, 1]):
    candidate = SARIMAX(
        y_train,
        exog=X_train,
        order=(p, 0, q),
        seasonal_order=(P, 1, Q, 12),
        trend="c",
    ).fit(disp=False)
    candidates.append({
        "order": (p, 0, q),
        "seasonal_order": (P, 1, Q, 12),
        "AIC": round(candidate.aic, 1),
        "BIC": round(candidate.bic, 1),
    })

print(pd.DataFrame(candidates).sort_values("AIC").head(5).to_string(index=False))

AIC- und BIC-Ergebnisse

AIC- und BIC-Ergebnisse

SARIMAX(1, 0, 0)(0, 1, 1, 12) gewinnt bei AIC und BIC. Zudem ist es eines der einfachsten Modelle in der Liste.

Das Argument trend="c" fügt eine Konstante hinzu. Mit saisonaler Differenzierung modelliert eine Konstante den jährlichen Nachfrageanstieg.

Tools wie auto_arima() aus pmdarima übernehmen diese Suche für dich. Praktisch für den ersten Wurf – aber AIC und BIC messen nur den Fit auf Trainingsdaten. Bevor du einem Modell vertraust, teste es auf unbekannten Daten.

Modell fitten

Übergebe das Ziel als erstes Argument und die exogenen Variablen über exog. order nimmt (p, d, q), seasonal_order (P, D, Q, S):

model = SARIMAX(
    y_train,
    exog=X_train,
    order=(1, 0, 0),
    seasonal_order=(0, 1, 1, 12),
    trend="c",
)
results = model.fit(disp=False)
print(results.summary())

SARIMAX-Modellzusammenfassung

SARIMAX-Modellzusammenfassung

So liest du die Koeffiziententabelle:

  • heating_degrees: Jeder zusätzliche Heizgrad geht mit ca. 6,6 GWh zusätzlicher Nachfrage einher – bei allen anderen Modellteilen konstant

  • cooling_degrees: Jeder zusätzliche Kühlgrad geht mit ca. 7,4 GWh zusätzlicher Nachfrage einher

  • ar.L1: Rund 46 % der ungeklärten Abweichung vom Vormonat tragen in diesen Monat hinein

  • ma.S.L12: Der saisonale MA‑Term, der die Prognose auf Basis des Fehlers aus demselben Monat des Vorjahres korrigiert

  • sigma2: Varianz des verbleibenden Rauschens

Alle Koeffizienten haben p‑Werte nahe null – jeder Term trägt etwas zum Modell bei.

Aber diese Koeffizienten beschreiben Beziehungen innerhalb des gefitteten Modells, keine Kausalität. Hier habe ich die Daten so generiert, dass Temperatur die Nachfrage verursacht – die Interpretation ist daher unkritisch. In echten Daten kann ein Prädiktor wichtig erscheinen, weil er mit etwas Unerfasstem mitläuft.

Diagnostik und Bewertung

Ein gutes Modell hinterlässt Residuen, die wie zufälliges Rauschen aussehen. Wenn die Residuen weiterhin ein Muster zeigen, hat das Modell etwas übersehen.

Die Methode .plot_diagnostics() liefert vier Plots mit einem Aufruf:

from statsmodels.stats.diagnostic import acorr_ljungbox

results.plot_diagnostics(figsize=(12, 8))
plt.show()

Diagnoseplot der Residuen

Diagnoseplot der Residuen

Darauf solltest du achten:

  • Standardisierte Residuen: Kein Trend, kein wiederkehrendes Muster, keine Phasen mit deutlich größerer Streuung
  • Histogramm und Q‑Q‑Plot: Punkte nahe einer Normalverteilung
  • Korrelogramm: Keine Ausschläge außerhalb des Konfidenzbandes, insbesondere nicht bei Lag 12 – ein Ausschlag dort heißt, die Saisonalität ist nicht vollständig erfasst

Der Ljung‑Box‑Test liefert dieselbe Prüfung als Zahl. Seine Nullhypothese: keine Autokorrelation der Residuen bis zu einem gegebenen Lag – du willst also große p‑Werte:

# Skip the first 13 residuals, which come from the differencing start-up period
print(acorr_ljungbox(results.resid[13:], lags=[12, 24]))

Ljung-Box-Testergebnisse

Ljung-Box-Testergebnisse

Beide p‑Werte liegen deutlich über 0,05 – die Residuen sehen nach Rauschen aus.

Jetzt zum Wichtigsten – der Genauigkeit auf unbekannten Daten. Mit .get_forecast() sagst du die 24 Testmonate voraus, und dafür braucht es die exogenen Werte dieser Monate.

Eine Prognosezahl für sich genommen ist wenig aussagekräftig, daher vergleiche ich SARIMAX mit zwei Baselines:

  • Saisonal naive Prognose: Wiederholt die letzten 12 Monate der Trainingsdaten
  • SARIMA: Dasselbe Modell, aber ohne exogene Variablen
from sklearn.metrics import mean_absolute_error, root_mean_squared_error

sarimax_pred = results.get_forecast(steps=len(y_test), exog=X_test).predicted_mean

# Baseline 1: repeat the last 12 observed months
naive_pred = pd.Series(np.tile(y_train[-12:].to_numpy(), 2), index=y_test.index)

# Baseline 2: the same model without exogenous variables
sarima_results = SARIMAX(
    y_train, order=(1, 0, 0), seasonal_order=(0, 1, 1, 12), trend="c"
).fit(disp=False)
sarima_pred = sarima_results.get_forecast(steps=len(y_test)).predicted_mean

for name, pred in [("SARIMAX", sarimax_pred), ("SARIMA", sarima_pred), ("Seasonal naive", naive_pred)]:
    mae = mean_absolute_error(y_test, pred)
    rmse = root_mean_squared_error(y_test, pred)
    print(f"{name:<15} MAE = {mae:.2f} GWh, RMSE = {rmse:.2f} GWh")

fig, ax = plt.subplots(figsize=(10, 4))
y_train["2020":].plot(ax=ax, label="Train")
y_test.plot(ax=ax, label="Test")
sarimax_pred.plot(ax=ax, label="SARIMAX", linestyle="--")
naive_pred.plot(ax=ax, label="Seasonal naive", linestyle=":")
ax.legend()
plt.show()

SARIMAX- und saisonal naive Prognosen vs. tatsächliche Nachfrage im Testset

SARIMAX- und saisonal naive Prognosen vs. tatsächliche Nachfrage im Testset

MAE (Mean Absolute Error) ist die durchschnittliche Fehlergröße in GWh. RMSE (Root Mean Squared Error) bestraft große Fehler stärker.

SARIMAX hat bei beiden Metriken etwa halb so viel Fehler wie SARIMA. Saisonale Terme allein können einen ungewöhnlich kalten Januar oder heißen Juli nicht vorhersagen – die Temperaturfeatures schon.

Beachte: Hier wurden beobachtete Testperioden-Temperaturen verwendet. Mit Wettervorhersagen an ihrer Stelle wäre der Abstand kleiner.

Zukunftswerte prognostizieren

Bist du mit dem Modell zufrieden, fitte es auf allen Daten neu, damit die Prognose vom aktuellsten Monat startet.

Prognostiziere dann mit .get_forecast(). Du brauchst für jeden exogenen Prädiktor in jedem zukünftigen Monat einen Wert. Fehlt einer, wirft statsmodels einen Fehler.

Woher diese Werte kommen, hängt vom Prädiktor ab. Zum Beispiel:

  • Bekannte Kalenderfeatures: Feiertage und Arbeitstage stehen Jahre im Voraus fest
  • Geplante Business-Entscheidungen: Preise und Promotions sind bekannt, wenn dein Team sie bereits terminiert hat
  • Wetter: Temperatur braucht eine eigene Prognose – vom Wetterdienst oder aus einem anderen Modell
  • Historische Durchschnitte: Wenn du nichts Besseres hast, nutze den Durchschnittswert je Kalendermonat aus der Historie

Ich nutze hier die letzte Option als Platzhalter für eine Wetterprognose:

final_results = SARIMAX(
    y, exog=X, order=(1, 0, 0), seasonal_order=(0, 1, 1, 12), trend="c"
).fit(disp=False)

future_dates = pd.date_range(start="2025-01-01", periods=12, freq="MS")

# Stand-in for a weather forecast: the average temperature of each calendar month
monthly_normals = df.groupby(df.index.month)["temperature"].mean()
future_temperature = monthly_normals.loc[future_dates.month].to_numpy()

X_future = pd.DataFrame({
    "heating_degrees": np.clip(18 - future_temperature, 0, None),
    "cooling_degrees": np.clip(future_temperature - 18, 0, None),
}, index=future_dates)

forecast = final_results.get_forecast(steps=12, exog=X_future)
forecast_df = pd.concat([forecast.predicted_mean.rename("forecast"), forecast.conf_int(alpha=0.05)], axis=1)
print(forecast_df.round(1))

fig, ax = plt.subplots(figsize=(10, 4))
y["2021":].plot(ax=ax, label="Observed")
forecast.predicted_mean.plot(ax=ax, label="Forecast")
ci = forecast.conf_int(alpha=0.05)
ax.fill_between(ci.index, ci.iloc[:, 0], ci.iloc[:, 1], alpha=0.3, label="95% interval")
ax.legend()
plt.show()

12‑Monats-Prognose der Stromnachfrage mit 95%-Vorhersageintervall

12‑Monats-Prognose der Stromnachfrage mit 95%-Vorhersageintervall

Die Prognose folgt dem bekannten Muster: höchste Nachfrage im Winter, ein kleinerer Buckel im Sommer, die niedrigste in Frühling und Herbst.

Aber das 95%-Intervall deckt nur die Unsicherheit des gefitteten Modells ab – gegeben die von dir gelieferten Temperaturwerte. Die Unsicherheit dieser Temperaturen ist nicht inkludiert. Wird der Januar deutlich kälter als der Durchschnitt, kann die tatsächliche Nachfrage außerhalb des Intervalls liegen, selbst wenn das Modell korrekt ist.

Wenn du die Sensitivität sehen willst, rechne die Prognose mit einem kälteren und einem wärmeren Temperaturszenario erneut und vergleiche die Ergebnisse.

Grenzen von SARIMAX

SARIMAX ist für viele saisonale Prognoseprobleme eine gute Wahl, hat aber Grenzen. Das solltest du wissen:

  • Zukünftige Prädiktoren sind Pflicht: Das Modell kann nicht prognostizieren, ohne Werte für jede exogene Variable in jedem künftigen Monat. Ist ein Prädiktor nicht im Voraus bekannt und nicht prognostizierbar, gehört er nicht ins Modell – egal, wie sehr er den Fit auf Vergangenheitsdaten verbessert

  • Prädiktorunsicherheit bleibt verborgen: Wenn künftige Prädiktoren selbst Prognosen sind, übertragen sich deren Fehler in die Nachfrageprognose. Das Standardintervall enthält sie nicht und wirkt dadurch zu eng

  • Es unterstützt eine Saisonperiode: Die Standardform unterstützt ein einzelnes S. Stündliche Stromnachfrage hat einen Tages- und Wochenzyklus; beides gleichzeitig kann SARIMAX nicht abbilden. Außerdem wird es bei langen Saisonperioden langsam, z. B. S = 168 für einen Wochenzyklus bei Stundendaten

  • Beziehungen können sich ändern: Das Modell nimmt an, dass Muster aus den Trainingsdaten in der Zukunft bestehen bleiben. Wechseln mehr Haushalte zu Wärmepumpen, ändert sich der Einfluss von Kälte auf die Nachfrage – der alte Koeffizient passt dann nicht mehr. Fitte regelmäßig neu und verfolge die Genauigkeit über die Zeit

  • Parameterwahl mit Bedacht: Ein Modell mit niedrigem AIC kann trotzdem schlecht prognostizieren. AIC und BIC betrachten nur Trainingsdaten – teste die Finalisten auf einem zurückgehaltenen Zeitraum oder besser per Zeitreihen-Cross‑Validation über mehrere Fenster

  • Kein kausales Modell: Ein signifikanter Koeffizient zeigt, dass ein Prädiktor die Prognose verbessert, nicht dass er das Ziel verursacht. Willst du wissen, was mit der Nachfrage passiert, wenn du einen Preis änderst, brauchst du kausale Inferenzmethoden

Fazit

Wenn deine Daten ein saisonales Muster wiederholen und von äußeren Faktoren abhängen, lohnt sich SARIMAX. Es kombiniert die Historie der Reihe mit den externen Treibern. Haben deine Daten beides, ist das Modell meist besser als eines, das nur eines davon sieht.

Merke dir: Ein Modell ist nur so gut wie seine Eingaben. Wähle die Saisonperiode datenbasiert, richte Prädiktoren sauber aus, teste an Zukunftsdaten statt AIC blind zu vertrauen und stelle sicher, dass du für jeden Prädiktor künftige Werte hast, bevor du etwas baust. Wenn Letzteres nicht geht, ist SARIMAX nicht die richtige Wahl für deinen Datensatz.

Wenn du weiterlernen willst, melde dich für unseren Kurs Time Series Analysis in Python an und verinnerliche die Grundlagen an einem Nachmittag.

Dario Radečić

Autor

Dario Radečić

Senior Data Scientist mit Sitz in Kroatien. Top Tech Writer mit über 700 veröffentlichten Artikeln, die mehr als 10 Millionen Mal aufgerufen wurden. Buchautor von Machine Learning Automation with TPOT.

FAQs

Wofür wird SARIMAX verwendet?

SARIMAX prognostiziert Zeitreihen mit wiederkehrender Saisonalität, die zugleich von äußeren Faktoren abhängen. Häufige Beispiele sind Stromnachfrage mit Temperatur oder Hotelbuchungen mit lokalen Events. Hat deine Reihe nur eines der beiden Merkmale, reicht meist ein einfacheres Modell wie SARIMA oder ARIMAX.

Was ist der Unterschied zwischen SARIMA und SARIMAX?

SARIMA modelliert eine Reihe aus ihren Vergangenheitswerten, früheren Prognosefehlern und saisonalen Mustern. SARIMAX ergänzt exogene Variablen, sodass es auch externe Informationen wie Temperatur oder Preise nutzen kann. Wenn du SARIMAX ohne exogene Variablen fitten lässt, erhältst du ein SARIMA-Modell.

Ist SARIMAX ein Machine-Learning-Modell?

SARIMAX ist ein statistisches Modell, kein Machine-Learning-Modell im üblichen Sinn. Es hat eine feste Struktur, wenige Parameter und interpretierbare Koeffizienten. Das macht es zur guten Wahl für kleine Datensätze, bei denen ML-Modelle zu wenig Lernmaterial haben.

Warum wirft get_forecast() bei SARIMAX einen Fehler?

Wenn du das Modell mit dem Argument exog gefittet hast, benötigt statsmodels exogene Werte für jeden zukünftigen Zeitschritt. Ohne diese wirft get_forecast() einen ValueError. Übergebe ein DataFrame mit denselben Spalten wie deine Trainingsprädiktoren und einer Zeile pro Prognoseschritt.

Kann SARIMAX mehr als eine Saisonperiode abbilden?

Nicht in der Standardform, denn seasonal_order akzeptiert nur eine Periode S. Für Daten mit mehr als einem Zyklus – z. B. stündliche Nachfrage mit Tages- und Wochenmuster – kannst du S auf den kürzeren Zyklus setzen und Fourier-Terme für den längeren über exog hinzufügen. Modelle wie TBATS und Prophet unterstützen mehrere Saisonalitäten direkt.

Themen