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