批量預測; 使用apply（）函數而不是for循環。 apply（）函數給出不同的點預測

Question

到目前為止，當我有多個時間序列進行預測時，我正在使用Hyndman教授的這種方法。 但是當我有大量的ts時，它相當慢。

現在我嘗試使用apply()函數，如下所示

library(forecast)

fc_func <- function(y){
  forecast(auto.arima(y),h=12)$mean
}

retail <- read.csv("https://robjhyndman.com/data/ausretail.csv",header=FALSE)
retail <- ts(retail[,-1],f=12,s=1982+3/12)

  frc<- apply(retail,2 ,fc_func)

這似乎是它運作良好，但是當我使用for循環如下：

ns <- ncol(retail)
h <- 12
fcast <- matrix(NA,nrow=h,ncol=ns)
for(i in 1:ns){
  fcast[,i] <- forecast(auto.arima(retail[,i]),h=h)$mean
}

我得到了不同的預測點。 是什么原因？

編輯：我通過更改“fc_func”函數修復它。 現在它返回的結果相同for循環，但現在它也作為一樣慢for循環

fc_func <- function(x){

ts(x,f=12,s=1982+3/12)->y

 forecast(auto.arima(y),h=12)$mean
}

retail <- read.csv("https://robjhyndman.com/data/ausretail.csv",header=FALSE)
retail <- ts(retail[,-1],f=12,s=1982+3/12)

  frc<- apply(retail,2 ,fc_func)

Answer 1

為了調試，我在apply中添加了一些打印。 有趣的是班級（y）

library(forecast)

fc_func <- function(y){
  print(length(y))
  print(class(y))
  #print(y)
  forecast(auto.arima(y),h=12)$mean
}

retail <- read.csv("https://robjhyndman.com/data/ausretail.csv",header=FALSE)
retail <- ts(retail[,-1],f=12,s=1982+3/12)

retail2 = retail

#retail = retail2[1:333,1:42]

frc<- apply(retail,2 ,fc_func)

所有y在應用時以數字形式到達。

> frc<- apply(retail,2 ,fc_func)
[1] 333
[1] "numeric"
[1] 333
[1] "numeric"
[1] 333
[1] "numeric"
[1] 333
[1] "numeric"
[1] 333

這在for循環中有所不同：

ns <- ncol(retail)
h <- 12
fcast1 <- matrix(NA,nrow=h,ncol=ns)
for(i in 1:ns){
  print(length(retail[,i]))
  print(class(retail[,i]))
  #print(retail[,i])
  fcast1[,i] <- forecast(auto.arima(retail[,i]),h=h)$mean
}

這里變量以ts傳遞給auto.arima。

> for(i in 1:ns){
+   print(length(retail[,i]))
+   print(class(retail[,i]))
+   #print(retail[,i])
+   fcast1[,i] <- forecast(auto.arima(retail[,i]),h=h)$mean
+ }
[1] 333
[1] "ts"
[1] 333
[1] "ts"
[1] 333
[1] "ts"
[1] 333

我想這會導致差異，因為當我將零售減少到一個簡單的矩陣時

retail = retail[1:NROW(retail), 1:NCOL(retail)] 

並再次運行for循環我得到與apply版本完全相同的結果。

all.equal(frc, fcast1)

所以我想你必須在將變量發送到預測函數之前再次將變量轉換為fc_func中的ts。

作為一種解決方法（因為我不知道如何將y轉換為所需的ts對象），您可以使用sapply版本：

fc_func2 <- function(y){

  forecast(auto.arima(retail[,y]),h=12)$mean
}

frc2 <- sapply(1:NCOL(retail), fc_func2)

它應該給出所需的值，但我不確定它是否比loop-version更快。

Answer 2

問題是apply()操縱time series對象的類， 零售 。 作為apply系列的基本版本， apply()最適用於簡單的矩陣對象。 它會在調用時將其輸入轉換為帶有as.matrix()的矩陣對象，因此通常會警告apply()不要用於數據幀。

根據?apply docs：

如果X不是數組而是具有非空昏暗值的類的對象（例如數據幀），則應用嘗試通過as.matrix將其強制轉換為數組（如果它是二維的）（例如，數據）框架）或通過as.array

因此apply在處理成fc_func之前不會保留其輸入的類對象：

class(retail)
# [1] "mts"    "ts"     "matrix" 

使用的時候可以看到這個sapply它運行一樣慢for和去除dimnames返回完全一樣for循環：

# LOOP VERSION
ns <- ncol(retail)
h <- 12
fcast1 <- matrix(NA,nrow=h,ncol=ns)

for(i in 1:ns) {
  fcast1[,i] <- forecast(auto.arima(retail[,i]), h=h)$mean
}

# SAPPLY VERSION
frc_test <- sapply(retail, fc_func, USE.NAMES = FALSE)
dimnames(frc_test) <- NULL

identical(frc_test, fcast1)
# [1] TRUE