我试图用每日数据做一些需求预测，从2012年1月16日到2013年10月10日 . 但是预测只会返回糟糕的结果 . 有什么线索的原因？
这就是图中数据的样子：存在每周和每月的季节性 . 即：工作日需求增加，周末需求减少 .
以下是预测图的外观：黑线是实际数据，蓝线是预测数据 .
x = ts(data, freq=7, start=c(3,2))
fit <- auto.arima(x)
pred <- forecast(fit, h=300)
我做了很多关于如何使用arima模型拟合日常数据的研究 . 因为每周有季节性，所以我选择了freq = 7 .
但是，由于预测很糟糕 . 有人非常擅长指出Hyndman教授所提出的关于拟合多季节模型的方法之一 .
https://stats.stackexchange.com/questions/74418/frequency-of-time-series-in-r/74426#74426
所以我接受了好人的建议，并使用上面链接中给定的2种方法拟合模型 .
方法1：使用tbats（）函数 .
x_new <- msts(x, seasonal.periods=c(7,7*52))
fit <- tbats(x_new)
fc <- forecast(fit, h=7*52)
我使用了每周季节性7和每年7 * 52的季节性 . 因为我还没有想出一个简单的方法来获得每月的季节性 . 根据结果，预测也不好 . 注意：如果我使用7 * 4作为每月的第二个季节性时段，则会给出更糟糕的预测 .
方法2：使用傅立叶作为xreg .
seas1 <- fourier(x, K=1)
seas2 <- fourier(ts(x,freq=7*52), K=1)
fit <- auto.arima(x, xreg=cbind(seas1,seas2))
seas1.f <- fourierf(x, K=1, h=7*52)
seas2.f <- fourierf(ts(x,freq=7*52), K=1, h=7*52)
fc1 <- forecast(fit, xreg=cbind(seas1.f, seas2.f))
我用不同的K尝试了它，并没有改善预测 .
因此，我被卡住了！由于预测很远 . 谁能指出我的错误在哪里？或者我应该如何改进我的模型？
非常感谢！
1 回答
您错过了假期的影响以及假日和异常值的主要影响因素（脉冲异常值，水平偏移，趋势变化，一周影响的变化（即季节性脉冲）） . 如果你处理这些事情，那么你就无法在一周的日常模式中得到很好的解读 . 你可以把你的数据发布到dropbox.com，这样我可以看看吗？指定开始日期和数据来源的国家/地区 .