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。
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。
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

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:
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。

https://stackoverflow.com/questions/44765998
复制相似问题