一、草豆蔻：从宫廷秘药到冠心病“克星” ◇ 千年药食传奇 《本草纲目》载草豆蔻“温中散滞，破气开郁”，古时岭南医家将其与陈皮、生姜同煮，制成“护心汤”献给心悸皇族。2025年《中国中药杂志》最新研究证实：草豆蔻中的山姜素可降低37%动脉粥样硬化风险（对照组实验数据），一跃成为冠心病预防新宠。

◇ 创新吃法引爆养生圈 - 黄金护心饮：草豆蔻3g + 丹参5g + 山楂10g，沸水焖泡10分钟（每日1杯，降脂通络） - 药膳刺客：草豆蔻粉腌鸡胸肉，搭配燕麦饭（广东药膳大赛金奖配方，控糖护心） - 急救含片：草豆蔻提取物+薄荷制成速溶含片（心慌时舌下含服，5分钟缓解） > 药康网提示：阴虚火旺者慎用，配伍咨询见“中药材概览-草豆蔻”专区

二、苍耳产业：被低估的百亿赛道 ◇ 从“野草”到产业黑马 苍耳子传统用于鼻炎治疗，但2026年政策红利彻底激活产业链： - 国家林草局《中药材生态种植指南》将苍耳列为“荒漠治理先锋物种”，西北10省推广种植 - 深加工突破：苍耳油提纯技术获专利（抗氧化力超橄榄油3倍），高端护肤品原料报价暴涨200% - 产业规模：2026年预计达120亿元（药康网产业白皮书数据），年复合增长率18%

◇ 三大利好驱动 | 领域 | 政策/技术支撑 | 市场前景 | ||-|| | 种植端 | 荒漠补贴每亩￥800 | 甘肃基地扩产300% | | 医药端 | 苍耳多糖抗肿瘤进入临床Ⅱ期 | 制药巨头抢购原料 | | 消费端 | 药食同源目录扩容（2025试点） | 苍耳保健茶年销破5亿 |

三、中药材产业爆发式增长背后的逻辑 1. 政策引擎 - 医保局将冠心病中药预防制剂纳入报销（含草豆蔻复方） - “一带一路”中药材出口关税减免（苍耳制品享零关税） 2. 技术革命 - 区块链溯源系统覆盖90 使用 Python 进行时间序列预测的网格搜索 ARIMA 模型超参数

> 原文： [https://machinelearningmastery.com/grid-search-arima-hyperparameters-with-python/](https://machinelearningmastery.com/grid-search-arima-hyperparameters-with-python/)

用于时间序列分析和预测的 ARIMA 模型可能很难配置。

通过反复试验来配置 ARIMA 非常耗时，因为必须多次评估模型，以确保参数符合特定时间序列数据集的标准。

在本教程中，您将了解如何使用 Python 中的超参数网格搜索来调整 ARIMA 模型。

完成本教程后，您将了解：

可用于调整 ARIMA 超参数以进行滚动一步预测的一般过程。 如何在标准单变量时间序列数据集上应用 ARIMA 超参数优化。 关于扩展网格搜索方法以获得更好模型性能的想法。

让我们开始吧。

网格搜索方法

时间序列的诊断图可用于拟合 ARIMA 模型的最佳超参数。

这些包括自相关图（ACF），部分自相关图（PACF）等。

另一种方法是使用网格搜索来评估 ARIMA 模型的不同超参数值。

有许多超参数可以调整 ARIMA 模型。

```py model = ARIMA(history, order=(p, d, q)) ```

对于每个参数组合，我们训练新模型并评估其有效性。最后，我们选择最佳参数以最大化评估指标。

我们可以使用网格搜索来探索不同参数组合的值。

具体来说，我们需要指定搜索空间以探索 ARIMA 超参数：

p ：要包含在模型中的滞后观察数。 d ：原始观测值差异的次数。 q ：移动平均窗口的大小。

我们还可以搜索其他参数，例如是否包含趋势元素。为简单起见，我们将在此示例中关注 p，d 和 q。

搜索过程需要三个要素：

1. 要使用的模型。 2. 要搜索的超参数空间。 3. 用于评估每个模型的性能的度量。

对于给定的时间序列数据集，我们将使用 ARIMA 模型进行一步预测。

我们将使用均方误差（MSE）来评估模型。该值将被最小化，因此我们寻求获得最低 MSE 的模型配置。

该数据集分为训练集和测试集。训练集用于准备模型，测试集用于评估模型。

我们将使用前向验证（walk-forward validation）在测试集上评估模型性能。

这涉及在测试数据集中逐步执行每个时间步，训练模型到该点，然后对下一步进行预测。

然后可以将预测与测试集中的预期值进行比较，并计算误差度量。

最后，将收集所有预测的误差度量并报告。

该过程可以概括如下：

1. 将数据集拆分为训练集和测试集。 2. 对于每个唯一的 p，d，q 超参数组合： 1. 在训练数据集上训练 ARIMA 模型。 2. 使用测试数据集执行一步预测。 3. 计算预测的误差度量。 3. 选择具有最佳性能的配置。

我们将使用每日女性出生数据集，该数据集描述了 1959 年加利福尼亚州每日女性出生人数。

您可以从 [DataMarket](https://datamarket.com/data/set/235k/daily-total-female-births-in-california-1959) 下载数据集。

下载数据集并将其放在当前工作目录中，文件名为“ _daily-total-female-births.csv_ ”。

下面的代码段将加载数据集并绘制时间序列。

```py from pandas import read_csv from matplotlib import pyplot load dataset series = read_csv('daily-total-female-births.csv', header=0, index_col=0) display first few rows print(series.head(5)) line plot series.plot() pyplot.show() ```

运行该示例将打印前五行，然后显示时间序列图。

```py Births Date 1959-01-01 35 1959-01-02 32 1959-01-03 30 1959-01-04 31 1959-01-05 44 ```


每日女性出生数据集的线图

手动 ARIMA 超参数网格搜索

在本节中，我们将手动搜索 p，d 和 q 超参数的值。

首先，我们需要将时间序列分成训练集和测试集。

我们将使用前 66％的观测值作为训练集，其余 34％作为测试集。

```py split into train and test sets X = series.values size = int(len(X) 0.66) train, test = X[0:size], X[size:len(X)] ```

接下来，我们可以枚举一组 p，d 和 q 超参数值以进行评估。

我们将尝试一组滞后值（p）和差异顺序（d）和移动平均窗口大小（q）。

```py evaluate combinations of p, d and q values for an ARIMA model p_values = [0, 1, 2, 4, 6, 8, 10] d_values = range(0, 3) q_values = range(0, 3) ```

这相当于 7 3 3 或 63 种不同的 ARIMA 模型组合。

我们将使用前向验证评估每个模型。

每次迭代时，我们将从训练数据中创建一个新的 ARIMA 模型，然后对测试数据集中的下一个时间步进行预测。

预测被收集并存储，因此它们可以与测试集中的预期值进行比较。

一旦我们评估了测试数据集中的所有时间

作者声明：内容由AI生成