首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >在这种典型情况下进行预测的最佳方法

问在这种典型情况下进行预测的最佳方法
EN

Stack Overflow用户
提问于 2017-06-27 02:10:31
回答 2查看 206关注 0票数 1

我正在构建一个时间序列预测模型。我的数据有一个变量'amount‘,它是运输材料的运费。我有10年的月度数据。这里的挑战是,一个月的运费账单金额并不一定只反映该月运输的材料的费用。有时,材料被分成碎片运输,并在接下来的2-3个月内收费,这些账单变得出人意料地高,随机地扰乱了时间序列模式。例如,如果我有2017年3月的账单,它可能还会有来自1月和2月的一些金额。我尝试了ARIMA,得到了40%的MAPE。我尝试了Croston方法,MAPE在23%-32%之间变化。滚动窗口预测在这里会有帮助吗?或任何其他建议,请。

编辑1-我已经添加了数据集( 2008 -2016年)。我设法从我的教授那里得到了月度收入数据。因此,我尝试了使用TSLM函数的双变量模型,它给出了67%的R平方。这比他预期的要低得多。

代码语言:javascript
复制
yearmon Paid.Amount revenue
8-Jan   1936599.88  2937700
8-Feb   1844486.91  3074900
8-Mar   1735122.05  3690000
8-Apr   1279519.88  3097700
8-May   1539967.05  3077100
8-Jun   1231146.36  3352300
8-Jul   1162991.84  2400600
8-Aug   1263879.69  3050000
8-Sep   1244323     3899200
8-Oct   1424559.93  3533000
8-Nov   898217.92   2723400
8-Dec   1085732.89  4055400
9-Jan   1029221.93  2486600
9-Feb   876441.65   2101400
9-Mar   880441.37   2998400
9-Apr   722948.96   1996500
9-May   958005.43   1807400
9-Jun   610958.71   2332300
9-Jul   695254.7    2280900
9-Aug   756439.4    2020500
9-Sep   926815.65   3231500
9-Oct   924445.94   2294200
9-Nov   830403.35   2782700
9-Dec   925630.38   3246000
10-Jan  700777.04   2135400
10-Feb  548469.87   1962800
10-Mar  696256.42   2641700
10-Apr  695798.95   2025700
10-May  704871.44   1996500
10-Jun  728251.49   2590600
10-Jul  664962.06   1984500
10-Aug  727306.82   2421300
10-Sep  720462.6    3084000
10-Oct  999328.49   2874300
10-Nov  950702.54   3069200
10-Dec  984782.65   3704600
11-Jan  864608.73   2976800
11-Feb  711251.25   2981700
11-Mar  1145917.13  3552500
11-Apr  844124.97   2684600
11-May  865543.97   2667900
11-Jun  883278.98   2707300
11-Jul  834070.34   2493400
11-Aug  1116866.09  3023300
11-Sep  1151143.55  3581100
11-Oct  1351395.01  3217800
11-Nov  1118297.76  3239000
11-Dec  1374179.71  4637800
12-Jan  989117.07   3313000
12-Feb  927470.54   2530600
12-Mar  1069185.01  3496500
12-Apr  1009312.54  2403000
12-May  1022559.87  2638500
12-Jun  961677.71   3246000
12-Jul  834523.02   2272300
12-Aug  1081960.39  2886000
12-Sep  1107927.72  3890100
12-Oct  1093140.22  2682100
12-Nov  1310195.61  3292000
12-Dec  1344106.8   4960100
13-Jan  1030537.47  3114800
13-Feb  911014.19   3121300
13-Mar  930071.08   3490900
13-Apr  890881.25   2542800
13-May  876954.67   2354800
13-Jun  915720.02   3382700
13-Jul  908514.48   2310000
13-Aug  1043391.95  3087300
13-Sep  1093640.35  3869300
13-Oct  1197865.65  3170800
13-Nov  1216958.3   3875300
13-Dec  1461027.39  5801000
14-Jan  1242969.8   2970300
14-Feb  1054214.44  3595300
14-Mar  1171459.28  4012800
14-Apr  990720.44   2916700
14-May  891504.63   2794200
14-Jun  936850.28   3501000
14-Jul  985009.09   2689100
14-Aug  1229039.59  3199000
14-Sep  1272825     4605200
14-Oct  1274631.05  3649500
14-Nov  1493390.61  4171600
14-Dec  1810523.68  6043700
15-Jan  1225779.44  3526300
15-Feb  1066156.45  3374900
15-Mar  1158659.52  4141200
15-Apr  1085067.52  3058800
15-May  1243264.14  2932700
15-Jun  1375846.69  3581800
15-Jul  1230235.7   3210200
15-Aug  1242221.75  3348200
15-Sep  1372310.27  4443200
15-Oct  1489968.27  3254200
15-Nov  1520498.52  4086200
15-Dec  1873884.03  7100500
16-Jan  1225046.91  2922600
16-Feb  1169703.36  3314600
16-Mar  1345611.1   4597900
16-Apr  1182650.19  3057000
16-May  1368704.21  3599400
16-Jun  1485036.6   4292300
16-Jul  1194201.57  3189600
16-Aug  1378889.12  3289200
16-Sep  1533056.53  4666700
16-Oct  1398696.43  3837600
16-Nov  1742668.73  4234900
16-Dec  2162712.41  6418700

如果有人能提出一个更好的方法来预测Paid.Amount,我将不胜感激。

谢谢。

EN

回答 2

Stack Overflow用户

发布于 2017-06-27 23:57:52

桑克特

你可以下载所有的结果here。Details.htm是对构建的模型的审计。该模型通过收入变量中的滞后变量来支持这一点,表明其对Y(已支付)的影响存在延迟。从周期1开始下降的时间趋势和从周期19开始上升的时间趋势不能用收入来解释,而是由于遗漏的因果关系。你有什么解释吗?如果是,则确定并添加该因素作为因果关系。

季节性较弱,但Autobox将某些月份确定为重要月份(即8、10和11都高于平均水平)。

滞后为1和2的AR2也将在使用更多滞后收入以达到滞后4的过程中发挥作用。(请参阅rhside.txt显示的纯右手方程式,其中所有因素都表示为纯回归。

在周期17发现了异常值,在89的水平转移增加了成交量(同样不是由收入解释的,所以可能是另一个省略的原因)。

​

​

你没有提供收入预测,所以我们允许Autobox (我参与的一个软件)建立一个模型并预测未来的价值。一个可能的增强可以提供更好的预测你方的收入,因为这也是一个模型/预测!收入变量没有留在模型中,然后我们对其进行了限制,随着模型的演变,它变得非常重要,包括一些确定性变量和AR因素。

收入和支付的双变量归一化图显示出很强的正相关关系,但要知道,你看到的是同期关系,它们可能也会在滞后时产生影响。

​

​

二元线图支持x和y之间的这种滞后关系,并在几个周期后在y中出现凹凸。

​

​

这是天气预报

​

票数 0
EN

Stack Overflow用户

发布于 2017-07-24 06:14:49

以下是我一直以来用于相对简单的每月预测的初始方法。之后可以花更多的时间来尝试对这个问题的一些较难的特征进行建模。

在本例中,我执行了以下操作:

  1. 删除了前两年的数据。有一个明确的制度

  • I使用对数正态变换对数据进行了变换。只需快速浏览一下数据,就会发现可能存在一些非线性增长,将数据分成一个部分进行初始拟合、验证和测试(在这种情况下,我没有为testing).

  • Prepare预留数据要评估的模型集合)。我选择的评估标准是提前1步forecasts.

  • I选择了交叉验证误差最小的模型。如果我保留了一个测试数据集,我会尝试对其进行预测,以确认性能与交叉验证期一样好或几乎一样好。

  • 在验证期内对最优模型的rsqr为83.4%。MAE为86,478美元。MAPE为6.9%。

我测试的各种季节ARIMA模型中的最佳模型为: 0,0,112,因此MA = 1,SAR = 1,SDiff = 1,其中季节为12。

​

​

票数 0
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/44765998

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档