使用R进行时间序列预测

Question

使用R进行时间序列预测

rtime-seriesregressionlinear-regressionforecasting

7

我有以下的R代码。

library(forecast)
value <- c(1.2, 1.7, 1.6, 1.2, 1.6, 1.3, 1.5, 1.9, 5.4, 4.2, 5.5, 6, 5.6, 
6.2, 6.8, 7.1, 7.1, 5.8, 0, 5.2, 4.6, 3.6, 3, 3.8, 3.1, 3.4, 
2, 3.1, 3.2, 1.6, 0.6, 3.3, 4.9, 6.5, 5.3, 3.5, 5.3, 7.2, 7.4, 
7.3, 7.2, 4, 6.1, 4.3, 4, 2.4, 0.4, 2.4)

sensor<-ts(value,frequency=24)
fit <- auto.arima(sensor)
LH.pred<-predict(fit,n.ahead=24)
plot(sensor,ylim=c(0,10),xlim=c(0,5),type="o", lwd="1")
lines(LH.pred$pred,col="red",type="o",lwd="1")
grid()

生成的图形是

但我对预测结果不满意。是否有办法使预测结果看起来与其前面的趋势相似（请参见图表）？

- Nandu

4个回答

2

auto.arima()函数会根据AIC、AICc或BIC值返回最佳的ARIMA模型。基于您的"value"数据集，它可能选择了一个ARMA(1,0)或AR(1)模型，可以看出这些模型很快就会回归到均值。长期来看，AR(1)模型总是会发生这种情况，因此如果您想预测超过几步，它就不是很有用。

您可以通过分析"value"数据的自相关图和偏自相关图来考虑拟合其他类型的模型。然后，您需要检查您的备选模型是否适合该数据。

- jalog3343646

0

您可以考虑使用移动平均来更准确地绘制预测。

- Samuel Liew

1

我怀疑这个auto.arima模型与移动平均模型非常相似... - Jochem

-3

我建议看一下https://code.google.com/p/ltp/中的ltp包。你也可以看一下https://github.com/matteoredaelli/predictoR中的Web前端。

- Matteo

1

在Stack Overflow上，强烈反对仅提供链接的答案。相反，最好在此处包含答案的基本部分，并提供参考链接。参考链接。 - drs

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Jochem · Accepted Answer

因为您将频率定义为24，我假设您是在每个周期内使用24小时（每日）工作，因此您的历史数据集中大约有2个周期。总的来说，这是有限的样本数据，难以进行时间序列预测。我建议您获取更多数据，然后再次进行预测模型。您拥有的数据越多，它就能更好地捕捉季节性，并因此预测未来的值。由于自动算法有限，例如auto.arima通常会默认选择类似移动平均值的方法。您的数据集值得比移动平均值更好的方法，因为该周期中存在一些季节性。有许多预测算法可以帮助您更好地塑造前瞻曲线；例如Holt-Winters或其他指数平滑方法可能会有所帮助。但是，auto.arima也是一个相当不错的选择（我首先尝试看看我可以用它做什么）。

获取更多数据并执行相同的流程将改善您的图表。个人而言，我更喜欢使用forecast而不是predict；数据似乎更好，因为它显示了您的置信区间。在代码中，我还通过复制两个周期来扩展数据集，因此我们有了四个周期。请参见下面的结果：

library(forecast)
value <- c(1.2,1.7,1.6, 1.2, 1.6, 1.3, 1.5, 1.9, 5.4, 4.2, 5.5, 6.0, 5.6, 6.2, 6.8, 7.1, 7.1, 5.8, 0.0, 5.2, 4.6, 3.6, 3.0, 3.8, 3.1, 3.4, 2.0, 3.1, 3.2, 1.6, 0.6, 3.3, 4.9, 6.5, 5.3, 3.5, 5.3, 7.2, 7.4, 7.3, 7.2, 4.0, 6.1, 4.3, 4.0, 2.4, 0.4, 2.4, 1.2,1.7,1.6, 1.2, 1.6, 1.3, 1.5, 1.9, 5.4, 4.2, 5.5, 6.0, 5.6, 6.2, 6.8, 7.1, 7.1, 5.8, 0.0, 5.2, 4.6, 3.6, 3.0, 3.8, 3.1, 3.4, 2.0, 3.1, 3.2, 1.6, 0.6, 3.3, 4.9, 6.5, 5.3, 3.5, 5.3, 7.2, 7.4, 7.3, 7.2, 4.0, 6.1, 4.3, 4.0, 2.4, 0.4, 2.4)
sensor <- ts(value,frequency=24) # consider adding a start so you get nicer labelling on your chart. 
fit <- auto.arima(sensor)
fcast <- forecast(fit)
plot(fcast)
grid()
fcast
         Point Forecast     Lo 80    Hi 80      Lo 95    Hi 95
3.000000       2.867879 0.8348814 4.900877 -0.2413226 5.977081
3.041667       3.179447 0.7369338 5.621961 -0.5560547 6.914950
3.083333       3.386926 0.7833486 5.990503 -0.5949021 7.368754
3.125000       3.525089 0.8531946 6.196984 -0.5612211 7.611400
3.166667       3.617095 0.9154577 6.318732 -0.5147025 7.748892

四周期图表