使用 tbats 预测每周数据 [关闭]答案

【问题标题】：forecasting weekly data using tbats [closed]使用 tbats 预测每周数据 [关闭]
【发布时间】：2017-08-13 09:03:17
【问题描述】：

这是我的数据data 数据从 26/07/2016 开始，到 10/03/2017 结束所以2个问题：它是否正确？使用 tbats 吗？每周季节性？我还希望预测数据看起来像初始数据，但如图所示，这不是我的情况，我该怎么做？这就是我所拥有的，这也是代码

我执行了这个命令，最终使用 tbts 预测得到了这个

      data.raw=read.csv(file=file.choose(),header=TRUE,sep=";",row.names=NULL)%>%
      mutate(date.re = as.POSIXct(date, format = "%d/%m/%Y"))
      complete.dates <- range(data.raw$date.re)
      dates.seq <- seq(complete.dates[1], complete.dates[2], by = "week")
      series <- data.frame(sale.week = week(dates.seq),sale.month =    month(dates.seq), sale.year = year(dates.seq))

      data.post <- data.raw %>%
      mutate(sale.week = week(date.re),sale.month = month(date.re),  sale.year = year(date.re)) %>%
      select(Quantite, sale.week,sale.month, sale.year) %>%
      group_by(sale.week,sale.month, sale.year) %>%
       summarize_all(funs(sum(.))) %>%
      right_join(series) %>%
      replace_na(list(Quantite = 0))

      data2=data.post[,4]
      sensor <- ts(data2,frequency=52)
      fit <- tbats(sensor)
      fc <- forecast(fit)
      plot(fc)

提前谢谢你

【问题讨论】：

请大家帮忙

标签： r plot time-series data-mining forecasting

【解决方案1】：

您正确拟合并正确预测。但是，您错误地指定了季节性。

要将其纳入您最可能想要使用的每周季节性

sensor <- ts(data2,frequency=7)

要了解更多信息，您可以阅读它here. 但基本上归结为在同一天再次下降之前您有多少观察结果。因此，如果您每周有 7 天的数据，那么您的频率应该是 7。如果您每周只有 5 天的数据，那么您的频率应该是 5。

tbats 的一个好处是您可以有两个季节性时段。您可以通过以下方式指定每周和每年的季节性：

library(forecast)
sensor <- msts(data2, seasonal.periods=c(7,365.25))

另一种选择是使用 ARIMA。不过，您只能在 ARIMA 中使用一个季节性时段。你会想每周使用一次。使用 ARIMA 还可以让您包含诸如假期之类的指标，您希望在这些指标中看到异常大或小的销售额。如果您预计假期前几天的指标也与正常趋势不同，您也可以使用指标。

我做了一些每周的季节性测试，并且使用 ARIMA 获得了最好的运气，主要是因为您可以包含其他协变量。

您可能需要考虑的其他事项是检查异常值。您可以使用tsoutliers() 执行此操作，它也在forecast 包中。而且，有时您可以通过转换数据获得更好的结果。所以也调查一下。

有关更多详细信息，您可能需要阅读一些关于时间序列的内容。 This is an excellent book with many examples in R.

【讨论】：