0

因此,为了论证,这里是一个用于日常数据的 autoarima 示例:

auto_arima(df['orders'],seasonal=True,m=7)

现在在该示例中,在运行显示每周季节性的季节性分解后,我“认为”您为 m 选择了 7?这是否正确,因为季节性显示为每周一次?

我的第一个问题如下 - 如果季节性是每月你使用 12 吗?如果是每年,您使用 1 吗?有没有理由每天选择 365?

其次,如果您获得的数据已经是每周一次,例如

date         weekly tot
2021/01/01 - 10,000
2021/01/07 - 15,000
2021/01/14 - 9,000
and so on......

你做的季节性分解将 m=1 用于每周,m=4 用于每月,m=52 用于每年。

最后,如果它每月像这样:

date        monthly tot
2020/01/01- 10,000
2020/02/01- 15,000
2020/03/01- 9,000
and so on......

并且您进行季节性分解,每月 m=1,每年 m=12。

任何帮助将不胜感激,我只是希望能够自信地选择正确的标准。

4

1 回答 1

1

季节是数据中重复出现的模式,m是该季节的长度。m在这种情况下,不是代码或任何东西,而只是长度:

想象一下天气,如果你有每周平均温度,它会在夏天上升,在冬天下降。由于一个“季节”的长度是一年或 52 周,因此您设置m为 52。如果每个季度都有重复模式,那么m将是 12,因为一个季度等于 12 周。它始终取决于您的数据和您的用例。

对于您的问题:

如果季节性是每月,你使用 12 吗?

如果您要查找的模式每 12 个月重复一次,是的,如果每 3 个月重复一次,则为 3 次,依此类推。

如果是每年,您使用 1 吗?

季节性 1 并没有真正意义,因为这意味着您在每个数据点中都有一个重复模式。

有没有理由每天选择 365?

如果您的数据是每天的,并且该模式每 365 天(即每年)重复一次,那么可以(您需要记住,每四年有 366 天)。

我希望您了解季节性背后的概念,m以便您回答其余的问题。

于 2021-10-31T20:55:24.013 回答