Hi Stack Overflow 社区。p>
我有超过 15K 种产品（5*15K**52 条记录）的 5 年每周价格数据。每个产品都是一个单变量时间序列。目标是预测每种产品的价格。
我熟悉单变量时间序列分析，我们可以在其中可视化每个 ts 序列，绘制其 ACF、PACF 并预测该序列。但是，在这种情况下，当我有 15K 个不同的时间序列时，单变量时间序列分析是不可能的，无法分别可视化每个时间序列，每个产品的 ACF、PACF 和预测，并制作一个调整/决定。
我正在寻找一些建议和方向来使用 R 解决这个多系列预测问题（最好）。任何帮助和支持将不胜感激。
提前致谢。
【问题讨论】：
标签： r time-series prediction forecast
我建议你使用forecast 包中的auto.arima。
这样您就不必搜索正确的 ARIMA 模型。
auto.arima：根据 AIC、AICc 或 BIC 值返回最佳 ARIMA 模型。该函数在提供的顺序约束内搜索可能的模型。
fit <- auto.arima(WWWusage)
plot(forecast(fit,h=20))
代替 WWWusage，您可以放置您的时间序列之一，以适应 ARIMA 模型。
然后使用forecast 执行预测 - 在这种情况下提前 20 个时间步长 (h=20)。
auto.arima 基本上会为您选择 ARIMA 参数（根据 AIC - Akaike 信息标准）。
如果它对您来说计算成本太高，您将不得不尝试。但总的来说，预测这么多时间序列并不少见。
要记住的另一件事可能是，在时间序列中存在一些互相关，毕竟这不太可能。因此，从预测精度的角度来看，不将其视为单变量预测问题是有意义的。
这个设置听起来很像最近在 Kaggle 上的m5 forecasting competition。目标是预测沃尔玛在美国销售的各种产品的单位销售额。
因此需要预测大量时间序列的销售数据。在这种情况下，获胜者没有进行单变量预测。这里是获奖solution 描述的链接。由于设置看起来与您的设置非常相似，因此在这个挑战的 kaggle 论坛中阅读一点可能是有意义的 - 甚至可能有有用的笔记本（代码示例）可用。
【讨论】：