0

我是 R 语言的初学者，我有一个按产品接收的请求数量的月度数据列表，我如何使用 ARIMA 模型（最佳模型）对任何类型的数据进行预测。我使用了下面的代码，但我不知道结果是否正确可靠，或者我必须更改另一个模型或对此代码进行简单更改。

脚本 ：

#Step 1: Plot Qty data as time series

data <- structure(c(3108L, 2508L, 3516L, 3828L, 3755L, 6612L, 6708L, 
  3624L, 4032L, 4104L, 3000L, 3204L, 2640L, 2124L, 1884L, 12382L, 
  1488L, 1356L, 2028L, 1764L, 1524L, 7248L, 1248L, 816L, 804L, 
  708L, 756L, 972L, 4104L, 1296L, 2268L, 588L, 768L, 792L, 744L, 
  1680L, 684L, 2052L, 672L, 492L, 744L, 768L, 828L, 936L, 840L, 
  5364L, 408L, 528L, 60L, 612L, 684L, 852L, 756L, 972L),
  .Tsp = c(2013, 2017.41666666667, 12), class = "ts")    

plot(data, xlab='Years', ylab = ' Qty ')


# Step 2: Difference data to make data stationary on mean (remove trend)
plot(diff(data),ylab='Differenced Qty')

#Step 3: log transform data to make data stationary on variance
plot(log10(data),ylab='Log (Qty)')

#Step 4: Difference log transform data to make data stationary on both mean and variance
plot(diff(log10(data)),ylab='Differenced Log (Qty)')


# Step 5: Plot ACF and PACF to identify potential AR and MA model
par(mfrow = c(1,2))
acf(ts(diff(log10(data))),main='ACF Qty')
pacf(ts(diff(log10(data))),main='PACF Qty ')

# Step 6: Identification of best fit ARIMA model

require(forecast)
ARIMAfit = auto.arima(log10(data), approximation=FALSE,trace=FALSE)
summary(ARIMAfit)


# Step 6: Forecast sales using the best fit ARIMA model
par(mfrow = c(1,1))
pred = predict(ARIMAfit, n.ahead = 36)
pred
plot(data,type='l',xlim=c(2004,2018),ylim=c(1,1600),xlab = 'Year',ylab = ' Qty ')
lines(10^(pred$pred),col='blue')
lines(10^(pred$pred+2*pred$se),col='orange')
lines(10^(pred$pred-2*pred$se),col='orange')

# Step 7: Plot ACF and PACF for residuals of ARIMA model to ensure no more information is left for extraction
par(mfrow=c(1,2))
acf(ts(ARIMAfit$residuals),main='ACF Residual')
4

1 回答 1

0

你让它变得比它需要的复杂一点。auto.arima将自动确定要使用的 AR、MA 和差分项的数量。

这是一个阅读更多内容的链接。

最终，如果您只想要适合的代码，尽管您可以这样做

library(forecast)
data = ts(data[,2],start = c(2013,1),frequency = 12)
model = auto.arima(data)

我们可以通过查看模型的摘要来确定它适合哪个模型

> summary(model)
Series: dat 
ARIMA(0,1,1)                    

Coefficients:
          ma1
      -0.8501
s.e.   0.0591

sigma^2 estimated as 4166267:  log likelihood=-479.27
AIC=962.53   AICc=962.77   BIC=966.47

所以，我们有 ARIMA(0, 1, 1)。它自动选择的模型中有一个差异和 1 个 MA 项。

如果我们预测模型，我们可以像这样绘制它

plot(forecast(model,h=12),include=24)

在此处输入图像描述

我们没有像之前的数据那样看到峰值的原因是该模型不包含任何季节性参数。从情节来看，峰值似乎并没有发生在同一时间范围内。如果峰值与某些事件相关，则需要将其包含在模型中，这可以使用具有事件二元指标的 xreg 参数来完成。

于 2017-07-09T11:53:15.440 回答