R，时间序列，Arima模型，预测，每日数据

Question

我正在尝试使用从2012年1月16日到2013年10月10日的每日数据进行一些需求预测。但预测只会返回糟糕的结果。有什么线索吗？

图中的数据看起来是这样的:存在每周和每月的季节性。即:平日需求较多，周末需求较少。

​

​

以下是预测图的外观:其中黑线是实际数据，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用arima模型拟合日常数据的研究。由于有每周的季节性，所以我选择了freq=7。

然而，由于预测是糟糕的。有人很友好地指出了海德曼教授分享的一种方法，即用多种季节性来拟合模型。

https://stats.stackexchange.com/questions/74418/frequency-of-time-series-in-r/74426#74426

因此，我采纳了好家伙的建议，并使用上面链接中给出的两种方法对模型进行拟合。

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)

我使用每周季节性7和每年季节性7*52。因为我还没有想出一个简单的方法来获得每月的季节性数据。根据结果，预测也不是很好。注意:如果我使用7*4作为每月的第二个季节周期，它给出的预测更差。

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))

我尝试了不同的K，但它不能改善预测。

因此，我被卡住了！因为预测有很大的偏差。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！

Answer 1

你错过了假期的影响，以及围绕假期和异常值的领先或滞后影响(脉冲异常值，水平变化，趋势变化，一周中一天的变化影响(即季节性脉冲))。如果你处理这些事情，那么你就不能很好地阅读一周中的一天模式。你能把你的数据上传到dropbox.com上让我看看吗？指定开始日期和数据来源的国家/地区。