使用ARIMA預測一個月的每日數據的時間序列

Question

我每個周期工作30天（每月），因此歷史數據集中大約有2個周期。

R腳本是

library(forecast)
value <- c(117.2 , 224.2 , 258.0 , 292.1 , 400.1 , 509.9 , 626.8 , 722.9 , 826.1 , 883.6,916.6, 1032.1, 1151.2, 1273.4 ,1391.8, 1499.2, 1532.5 ,1565.9 ,1690.9, 1813.6,1961.4 ,2102.8 ,2208.2, 2256.8, 2290.8 ,2413.7, 2569.4 ,2730.3, 2882.9 ,2977.5, 117.2 , 224.2 , 258.0 , 292.1 , 400.1 , 509.9 , 626.8 , 722.9 , 826.1 , 883.6,916.6, 1032.1, 1151.2, 1273.4 ,1391.8, 1499.2, 1532.5 ,1565.9 ,1690.9, 1813.6,1961.4 ,2102.8 ,2208.2, 2256.8, 2290.8 ,2413.7, 2569.4 ,2730.3, 2882.9 ,2977.5)

sensor<-ts(value,frequency=30)#daily data of month,here only 2 month's data
fit <- auto.arima(sensor)
LH.pred<-predict(fit,n.ahead=30)
plot(sensor,ylim=c(0,4000),xlim=c(0,5),type="o", lwd="1")
lines(LH.pred$pred,col="red",type="o",lwd="1")
grid()

結果圖是

但是我對這個預測並不滿意。 有什么方法可以使預測看起來像之前的值趨勢一樣（見圖）？

Answer 1

您要求大量的auto.arima()僅使用兩個月的數據來查找模型。 至少可以通過建議季節差異有所幫助。 此外，請勿使用predict 。 forecast功能好得多。

出於某種原因，為什么forecast()是“更精細的”，請參閱2008年7月的《統計軟件雜志 》，尤其是4.4節：

Forecast（）函數是通用函數，具有用於各種時間序列模型的S3方法。 它根據時間序列模型計算點預測和預測間隔。 存在使用ets（），auto.arima（），Arima（），arima（），ar（），HoltWinters（）和StructTS（）擬合的模型的方法。

ts對象還有一種方法。 如果將時間序列對象作為第一個參數傳遞給Forecast（），則該函數將根據第2節的指數平滑算法生成預測。

在大多數情況下，存在一個現成的predict（）函數，旨在執行幾乎相同的操作。 不幸的是，predict（）函數產生的對象在每種情況下都包含不同的信息，因此無法為結果構建通用函數（例如plot（）和summary（））。 因此，相反，預報（）充當了預報（）的包裝器，並將以通用格式（預報類）獲得的信息打包。 我們還定義了一個默認的predict（）方法，該方法在不存在現有的predict（）函數時使用，並調用相關的Forecast（）函數。 因此，預報（）方法與預報（）方法並行，但是后者提供更有用的一致輸出。

請嘗試以下方法。

fit <- auto.arima(sensor,D=1)
LH.pred <- forecast(fit,h=30)
plot(LH.pred)
grid()