问题标签 [forecast]

尝试将 geom_points 添加到 autolayer() 行（图片中的“fitted”），这是 Rob Hyndmans 预测包中 ggplot2 的 autoplot() 的包装部分（ggplot2 中也有一个基本的 autoplot/autolayer 所以同样可能适用于那里） .

问题是（我不是 ggplot2 专家，并且 autoplot 包装器使它变得更棘手） geom_point() 适用于主调用，但我如何应用类似于自动层（拟合值）？

像普通的 geom_line() 一样尝试 type="b" 但它不是 autolayer() 中的对象参数。

我正在使用包中的autoplot函数forecast来显示超前预测的样本外

其中y是一个 ts 对象，从 1960-01-01 到 2017-12-01 每月频率。

然后我使用该autoplot函数查看模型的预测，在我的情况下我设置为下个月（应该是 2018-01-01）

我使用以下命令：

这给了我以下图片：

由于预测期前的大量观察，看来我的预测不是很清楚。

应该如何调整我的自动绘图功能以使我的预测出现？我想只关注过去十二个月，但我不知道应该如何修改autplot函数

有人能帮我吗 ？

我有一个“帐户”、“资产”、“日期”、“资产网络使用情况”的示例使用表，其中包含每个资产 15 天的汇总使用数据。我正在尝试在表中附加未来 15 天内每天的预测使用情况，或者至少创建一个具有相同表结构的输出。

例如

我已经能够生成仅按日期聚合的附加表。我想包括日期/帐户/资产但是我在设置一个不会在时间序列 ts() 函数上遇到错误的索引时遇到了挑战

关于语法更新的任何建议，或使用不同的方法来实现我的结果？

我正在尝试绘制一个季节性分解模型，以便使用代码来描述时间序列趋势和季节性，这给了我一个错误，上面写着

AttributeError：“Int64Index”对象没有属性“inferred_freq”

我正在关注此链接中的模型

我的数据框看起来像这样：

我正在使用以下软件包：

回溯错误信息如下：

I am trying to fit a dynamic regression model using auto.arima. I have monthly data for gas (for heating) use per customer (which I want to predict) and set of regressors (e.g. heating degree days, gas price, structural dummies for particular years and seasonal dummies). I have forecast values for the exogenous regressors. Use per customer data is available from Jan 2005- Mar2018, all other data is from Jan2005-Dec 2021. I am trying to forecast Use Per Customer for all months of the year 2020. I am unsure how to divide my data between xreg in the auto.arima function and the forecast function. The forecast values I am currently yielding do not match up with the month of use, for example, April 2018 forecast for use per customer is as high as and almost equal to Jan 2005 actual use. This should not be the case.

I am trying to forecast gas usage for residential customers using a dynamic regression model in the forecats package. I have referred to the online textbook by Prof. Rob J. Hyndman https://otexts.com/fpp2/forecasting.html

Expected result Point forecast
Jan 2005 111.19 Feb 2005 89.22... April 2005 53.86

Actual result Point forecast

April 2018 111.19 May 2018 89.22... Jun 2018 53.86

当我使用以下数据使用预测包生成 ggseasonplot 时..

使用此代码：

数据绘制不正确 - 绘制的值不正确，缺少 2019 年 1 月，并且 1 月 17 日有 2 个值？

如果我使用以下方法绘制相同的数据：

...一切都正确绘制 - 我很困惑 - 任何人都可以帮助我做错了什么？

（请原谅我，因为我对 R 比较陌生，对 Stack Overflow 也很陌生！）

G

我有一个 2 年样本数据范围内的物理时间序列，频率为 30 分钟，但是如您所见，有多个和广泛的丢失数据间隔：

我尝试使用包中的函数na.interp但forecast结果不佳（如上所示）：

我正在寻找更有用的方法。

更新：

这是有关我要捕获的模式的更多信息，特别是 row data。该子样本属于 May。

我目前正在使用该库构建 ARIMAX 模型pmdarima：

参数说明：

外生：类数组，形状=[n_obs，n_vars]，可选（默认=无）

一个可选的二维外生变量数组。如果提供，这些变量将用作回归操作中的附加特征。这不应包括常数或趋势。请注意，如果 ARIMA 适合外生特征，则必须为其提供外生特征以进行预测。

但我不明白这种格式是什么意思：shape=[n_obs, n_vars]？

n_obs和的含义是n_vars什么？

为什么我们需要这种格式而不是时间序列格式的外生变量？

我正在尝试将 ETS 和 ARIMA 模型拟合到 2017 年 1 月 1 日至 2019 年 3 月 31 日的每日销售数据

使用 R 包“预测”，我从我的数据中创建了一个 ts 对象。在这里，我使用了频率7。不幸的是，这改变了我的日期符号，如下所示，每第 7 个周期开始一个新的“年”，而不是保持旧的日期格式。

问题：如何从我的数据中应用每周季节性，同时使用“年-月-日”格式（2017-01-01）保持所需的日期结构。

应用 ts 之前的旧输出。

然后：

我有这个数据是从预测值和观察中获得的残差序列。原始系列是随机游走，漂移非常小（平均值=0.0025）。

我知道这个残差系列有一些系列相关性，可以用ARIMA.

我尝试了以下配件：

如果我们参考auto.arima的帮助页面，我们会看到：

固定：如果为 TRUE，则将搜索限制为固定模型。

从acfandpacf中err我们可以看出，它是由一个MA模型来拟合的，而不是AR，为什么auto.arima给我一个ARfit 呢？

我的理解是两者都m1应该m2是静止的，那么这个stationary论证的目的是什么？

现在更有趣的是，如果我们绘制这两个模型的根：

尽管 m1$residuals 是白噪声，但 (m1)的模型stationary=T不如m2我们查看根图时的模型平稳。