時間序列模型，R中包含每日數據

Question

我有一個包含2年每日數據的數據集。 數據類型有兩個季節性組件（每周和每月組成，即每種類型的一天表現方式相似，每個月相同）。 讓我們忘記每年不同日期的假期。 我需要建立一個時間序列模型來預測1或2個月的每日數據。 我嘗試過不同參數的ARIMA，預測器總是變平。

這是我的代碼：

df <read.csv("data.csv", header = TRUE, sep = ";")
tseries <-ts(df[,2],start=1,frequency=7) -- also tried msts but not working        
ARIMAfit <- auto.arima(log10(tseries), approximation=FALSE,trace=FALSE)
Series: log10(tseries) 
ARIMA(2,0,1)(2,0,0)[7] with non-zero mean 

Coefficients:
      ar1     ar2     ma1    sar1    sar2  intercept
  -0.1203  0.2423  0.6590  0.3182  0.4490     2.0577
    s.e.   0.1495  0.0900  0.1404  0.0330  0.0335     0.0508

 sigma^2 estimated as 0.03187:  log likelihood=222.5
AIC=-430.99   AICc=-430.84   BIC=-398.82

Training set error measures:
                  ME      RMSE       MAE        MPE     MAPE      MASE
Training set 0.000745645 0.1777786 0.1273053 -0.7742803 6.340793 0.8641706
                ACF1
Training set -0.00434844

pred <- predict(ARIMAfit, n.ahead = 500)

lines(10^(pred$pred),col="yellow")

我不是這種建模的專家，所以我可能犯了一個基本的錯誤。 任何有關這方面的幫助將非常感激。

BR

托馬斯

Answer 1

1）見這個討論 。 使用虛擬變量來估算每周和每周的影響以及搜索異常值，水平變化，時間趨勢以及星期幾效應的變化（即季節性脈沖）2）為什么要記錄您的數據？ 見這個討論 。
3）將數據發布到數據所在的日期和國家/地區。