从一组时间序列中预测每个时间序列答案

【问题标题】：Forecasting each time series from a group of time series从一组时间序列中预测每个时间序列
【发布时间】：2021-05-14 17:37:29
【问题描述】：

我有一个包含多个时间序列的数据集，我希望对该组中的每个时间序列进行预测。让我用一个例子来解释一下

    Month StoreName Product Sales
    01/21     A      Pasta   100
    02/21     A      Pasta   70
    03/21     A      Pasta   140
    02/21     A      Rice    30
    03/21     A      Rice    10
    04/21     A      Rice    30
    03/21     B      pasta   200
    04/21     B      pasta   30
    01/21     B      Rice    120
    03/21     B      Rice    180
    04/21     B      Rice    100

现在，对于给定的 StoreName 和 Product，未来几个月的销售额是多少。这里需要注意的地方很少。

间歇性需求（例如：商店 B 在 2 月份缺少销售）
对具有 200 多个产品、200 多个商店的分类变量进行编码。
每个集合的时间序列模型。（[A，意大利面]，[A，米饭]，[B，意大利面]，[B，米饭]）

由于高基数，是否可以在不循环的情况下对多个时间序列进行建模？非常感谢 python 中的任何类型的解决方案。

提前致谢。

【问题讨论】：

到目前为止你做了什么？
我已经探索了kaggle competition，但他们使用了 for 循环，这在我的情况下并不合适。
发布您目前拥有的代码。而且您需要将您的问题分解为几个子问题，然后发布这些子问题，而不是这个大问题。分而治之。
抱歉，@jsb 我仍处于分析阶段。探索方法。
好，继续。当您有一些代码和明确定义的单个问题时发布。

标签： python time-series forecasting arima facebook-prophet

【解决方案1】：

我希望statsmodels 包将包含您正在寻找的内容，它似乎是根据其他数字和分类预测变量的混合来预测一个数值。您有时间序列数据，这使这有点棘手，但作为第一次探索，您可以将一年中的月份编码为它自己的列，然后使用 statsmodels 普通最小二乘模型开始分析：

import statsmodels.formula.api as smf

lm = smf.ols(formula='Sales ~ Month + Storename + Product', data=df)
residuals = lm.fit()
print(residuals.summary())

这将为您提供如下所示的漂亮回归表，然后您可以从那里继续探索并更好地整合数据的时间序列元素。

 OLS Regression Results                            
==============================================================================
Dep. Variable:                Sales   R-squared:                       0.338
Model:                            OLS   Adj. R-squared:                  0.287
Method:                 Least Squares   F-statistic:                     6.636
Date:                Thu, 25 Mar 2021   Prob (F-statistic):           1.07e-05
Time:                        19:37:47   Log-Likelihood:                -375.30
No. Observations:                  85   AIC:                             764.6
Df Residuals:                      78   BIC:                             781.7
Df Model:                           6                                         
Covariance Type:            nonrobust                                         
===============================================================================
                  coef    std err          t      P>|t|      [0.025      0.975]
-------------------------------------------------------------------------------
Intercept      38.6517      9.456      4.087      0.000      19.826      57.478
Product        -15.4278     9.727     -1.586      0.117     -34.793       3.938
StoreName      -10.0170     9.260     -1.082      0.283     -28.453       8.419
Month          -4.5483      7.279     -0.625      0.534     -19.039       9.943

========================================================================

如需更多信息，我希望统计模型文档 here 和 here 能让您有一个良好的开端。

要研究的另一类模型是 ARIMA models，但您需要确保数据是静止的，并且使用 ARIMA 模型在

【讨论】：

感谢您的有用回复。我一定会探索您共享的链接。如果可能，您能否具体说明如何使用 ARIMA 模型实现这一目标？
This article 应该可以帮助您开始将数据固定化。一旦它静止，您就可以开始使用来自statsmodels 的现成的 arima 模型。
我已接受另一个问题的答案。但是，这个问题的答案帮助我向前迈进了一步，但我不能说这是确切的答案。所以，我已经投票了，但由于缺乏声誉，你看不到投票。