问题标签 [forecast]

我的原始数据集有多个产品 ID、月销售额和以矩阵格式排列的相应日期。我希望为每个 product_id 以及销售价值和日期创建单独的数据框。为此，我使用了一个 for 循环。

base 是基础数据集。x 是包含唯一 product_id 和相应观察点数的变量。

这是输出的一部分：

所以所有的数据框名称都保存在 n 中。我认为这是一个字符串向量。

当我在循环外写 df25 时，我得到了我想要的数据框：

现在，我想分别使用这些数据帧中的每一个来执行预测分析。为此，我需要获取各个数据框中的值。这就是我尝试过的相同：

但我无法引用单个数据框。我正在寻求有关如何访问数据框及其值以进行进一步分析的帮助？由于有 200 多个产品，我正在寻找一些处理所有数据帧的功能。

首先，我希望将其转换为变量中的 a TS、 usingyear和month值date，然后使用etsorforecast,等​​。

样本数据集：

与往常一样，任何建议都将受到高度赞赏。

这是什么意思？我的 timeSeries 的频率是 365，不是吗？我想做的是做 3 年的每日预测，一次一天。换句话说，我想得到第二天的预测，365*3 次。

hw(train) 中的错误：时间序列的频率应大于 1。

以下是一些可以帮助您回答的信息：

我想知道如何调整 Rob Hyndman 在 这篇博文中使用的傅立叶术语，以使用额外的回归量预测每周时间序列数据。下面是我的尝试，但我得到一个错误阅读xreg is rank deficient

谢谢！

编辑：在网上进行了一些额外的挖掘之后，我发现了一些似乎有用的材料。Rob 的另一篇博文使用一组傅立叶项和一个虚拟变量作为回归量。这篇关于 kaggle 的帖子（请参阅 3. ARIMA 模型）以与我正在做的非常相似的方式使用多个傅立叶项，尽管我仍然收到xreg is rank deficient错误消息。这可能是由于gasreg与气体的数据相同吗？

我正在做一个预测项目。在检查了我的时间序列后，我决定使用 R 的预测包的 BoxCox 函数来应用线性变换。

该函数创建了一个输出变量，其中包含我转换后的数据。之后我建立了我的 ARIMA 模型来预测未来的价值。然而，这些预测的规模也发生了变化。由于 BoxCox 函数使用精确的 lambda 值进行计算，我无法指定我的系列的函数形式（例如；我不能说转换是否是对数的）。

那么，我想知道是否有一个函数可以将使用 BoxCox 函数处理的系列转换为原始比例？因为我需要以原始规模报告预测值。

我目前正在尝试为我的雇主完善每日销售预测。我正在使用 R 中的时间序列和 ARIMA 模型生成这个预测，MAPE 目前约为 12%。

理想情况下，我希望能够整合一些额外的分类变量以进一步完善预测（例如新产品发布；促销活动等），但我不确定如何最好地实现这一点，因为大多数在线示例在回归模型中使用数字预测器.

如果可能的话，我想知道是否有人可以帮助我成功地将非数值变量纳入我的预测中？如果有人也有任何关于改进每日预测的好方法的额外提示，那么这些想法也将非常受欢迎。

谢谢！

让我们来看看，我有每个类别的门票销售数据，这些数据是按月计算的。像这样：

我每个月都有这些数据，直到 2019 年 2 月。这是我用来分别为每个类别应用 arima 的代码。我导入每列的计数并执行以下操作：

我想预测明年每个月会卖出多少张门票。是否可以在同一张照片中应用自动 ARIMA？到目前为止，我一直在单独应用该模型。

我正在尝试运行下面的代码，但出现以下错误。该代码使用预测包中的 auto.arima 来确定 arima 模型并将其拟合到某些数据。它还在 xreg 参数中使用回归量。我认为 xreg 中两列的名称可能是问题所在，但我不确定为什么。列的名称类似于“structure.c.NA..NA..211L..”它们是函数的输出。如果我在 xreg 参数中没有这些列的情况下运行 auto.arima，它似乎做得很好。非常感谢有关如何解决此问题的任何提示。

代码：

错误：

数据：

尝试使用自动绘图绘制时间序列。可重现的例子：

我有时间序列的每日水平数据，我试图了解它是否具有趋势或季节性成分。我拥有的数据只有699 天，所以不到 2 年。要将其转换为时间序列，应该设置什么频率？我已经阅读过它并建议值为7，但查看数据我觉得它根本没有季节性成分。下面是时间序列图。

请建议我该怎么做。谢谢！

enter code here我正在做一个项目来分析和预测客户销售和收入的时间序列。为了准确度的目的，我想测试各种模型——即Holt 线性方法、Holt Winter 方法、ARIMA、季节性 ARIMA 和 ARIMAX（因为我还想考虑数据中的分类变量）。数据是每日形式的，因此我选择频率为 7。

然后我把它分成训练和测试，把上个月作为保留集。

我已经auto.arima()为 ARIMA 模型使用了函数，它给出了 ARIMA(0,0,0)(2,1,0)[7]。这意味着什么？残差图如下所示

在此之后，我将假期添加为外生变量

我现在得到的模型是 ARIMA(0,0,1)(2,1,0)[7] ，这里是残差图。

对于这两种情况，如果我看到预测值和观察值的差异，则百分比差异平均在 3%-50% 之间。如何改进我的模型并了解 ARIMA 模型的输出？

谢谢！