ARIMA Demo Lab

Ứng dụng Streamlit này tập trung vào một trải nghiệm demo trực quan duy nhất: chọn dữ liệu, quan sát chuỗi, thử differencing, xem ACF/PACF, fit ARIMA và đọc forecast ngay trong cùng một trang.

Cách chạy

Git Bash

python -m venv .venv
source .venv/Scripts/activate
pip install -r requirements.txt
streamlit run app.py

PowerShell

python -m venv .venv
.venv\Scripts\Activate.ps1
pip install -r requirements.txt
streamlit run app.py

Flow demo

Ứng dụng hiện đi theo đúng flow này:

1. Chọn dữ liệu:
   • dùng sample dataset có sẵn trong data/sample_series.csv
   • hoặc upload CSV riêng
2. Quan sát chuỗi gốc
3. Thử differencing bậc 1 hoặc bậc 2
4. Xem ACF/PACF để gợi ý q và p ban đầu
5. Gợi ý d bằng stationarity checks rồi vẫn cho phép chỉnh tay
6. Chọn p, d, q và fit ARIMA
7. Xem Actual vs Forecast, residual diagnostics, forecast tương lai, MAE và RMSE ngay cuối trang

Yêu cầu dữ liệu đầu vào

CSV nên có ít nhất:

• một cột thời gian có thể convert sang datetime
• một cột giá trị có thể convert sang số

App sẽ tự:

• convert cột thời gian sang datetime
• sort tăng dần theo thời gian
• làm sạch dữ liệu không hợp lệ ở các bước cần thiết

Cấu trúc project

.
├── app.py
├── page/
│   └── 3_ARIMA_Lab.py
├── src/
│   ├── app_state.py
│   ├── data_utils.py
│   ├── diagnostics.py
│   ├── modeling.py
│   ├── plotting.py
│   └── stationarity.py
├── data/
│   └── sample_series.csv
├── requirements.txt
└── PLAN.md

Ghi chú

• App không dùng auto_arima.
• Kết quả forecast được giữ trong st.session_state để vẫn hiển thị ổn định sau khi bấm nút chạy mô hình.
• Logic ARIMA cốt lõi được giữ trong src/modeling.py.
• Sample dataset hiện đủ dài để demo đầy đủ flow ARIMA.
• Future forecast được tạo sau khi refit mô hình trên toàn bộ dữ liệu.