标签: forecasting

我试图通过以下命令使用R中的预测包从季节性arima模型生成模拟:

simulate(model_temp)

model_temp将arima()函数应用于我观察到的时间序列的结果在哪里,顺便提一下,我将模型指定为ARIMA(2,1,2)(0,1,2)[12]模型.

但是,当我尝试这个时,我收到以下错误:

Error in diffinv.vector(x, lag, differences, xi) :
  NA/NaN/Inf in foreign function call (arg 1) 

任何人都可以解释为什么会这样(以及如何避免这个问题)？

我应该进一步补充一点,我知道我应用的模型和产生model_temp的模型不是生成该系列的模型,但是,我仍然希望从该模型(或任何其他模型)生成模拟).

最后,是否可以通过仅指定ar,d,ma,sar,sd,sma和sigma参数从而无需首先创建正确ARIMA类型的对象,从季节性ARIMA模型生成模拟？

感谢您的任何帮助,

乔纳森

我正在预测大量的时间序列(5,000+).如果我在更高级别进行预测,然后将预测分配到每个SKU,我想使用分层方法执行此操作.我认为有必要这样做,以便放大到较低的地理细节水平,同时在更高的层次(自上而下)进行预测.

例如,下面您将看到我正在考虑的结构示例.

Total
  => Europe
     => Netherlands
        => RegionA
           => Client_A_in_Netherlands
              => SKU1
              => SKU2
              => SKU3
           => Client_Q_in_Netherlands
              => SKU15
     => Germany1
        => (...)
           => ClientY_in_Germany
              => SKU89
  => Africa
     => South Africa
        => (...)
           => Client_Z_in_SouthAfrica
              => SKU792

我想在大陆层面(即欧洲或非洲)层面做自上而下的预测.然后将适当的份额分配给国家/地区,然后分配给该国家/地区的客户,然后分配给SKU.

在'hts'包的文档中,有一个关于如何使用两级层次结构执行此操作的示例.我想知道是否有人可以建议如何使用多级层次结构来做到这一点？

我试图auto.arima通过在带有4个双核CPU的计算机上运行来加速缓慢的功能(我使用的是Ubuntu 13.04和R 2.15.2).该函数拟合了350,000个数据点和大约50个外生变量的时间序列.我正在使用以下代码

fit<-auto.arima(orders,xreg=exogen, stepwise=FALSE, parallel=TRUE, num.cores=4)

但是,我有多个CPU(每个都有多个内核),而不只是一个具有多个内核的CPU.如果R足够智能以解决这个核心/ CPU的差异,我看了看我的资源监视器并看到了这个:

这表明只有CPU3最大化.

有关如何解决的任何想法？forecast包是否适用DoSNOW？

我正在尝试使用varsR中的包来学习矢量自回归模型.这个包没有任何方法来测量返回模型的准确性.

具体来说,我想使用R中包中accuracy函数中定义的MASE forecast,将VAR预测与每个组件时间序列上使用Arima模型的预测进行比较(我使用了4个可能相关的时间序列).accuracy无法识别varest返回的对象vars.如何获取每个预测组件的MASE？我想计算样本内和样本外的准确度

代码示例:

library(vars)
library(forecast)
data(Canada)
v<- VAR(window(Canada, end=c(1998,4)), p=2)
accuracy(v$varresult[[1]])

参数accuracy是一个lm对象,并返回系列1的训练精度:

                       ME      RMSE       MAE           MPE      MAPE       MASE
Training set 1.536303e-15 0.3346096 0.2653946 -1.288309e-05 0.0281736 0.03914555

我希望使用类似的东西来获得样本外的测试精度(不完全是这样,因为需要指定预测期):

 accuracy(v$varresult[[1]], window(Canada[,1], start=c(1999,1)))

但是lm对象不支持这种情况并返回错误

 Error in testaccuracy(f, x, test) : Unknown list structure

如果我直接使用这些值如下,我没有得到MASE,它需要有关训练集的信息.这也容易出现一个错误,因为使用了值而不是ts对象,因为它们accuracy将直接匹配存储的时间:

 p<-predict(v, n.ahead=8)
 accuracy(p$fcst[[1]][,"fcst"],window(Canada[,1], start=c(1999,1)))

             ME      RMSE       MAE         MPE       MAPE      ACF1 Theil's U
Test set -0.1058358 0.8585455 0.7385238 -0.01114099 0.07694492 0.5655117  1.359761 …

我正在按照Rob Hyndman的教程进行初始化(添加剂).

计算初始值的步骤指定为:

我在Rob Hydman免费在线教科书中提供的数据集上手动(使用笔/纸)上面的步骤.我在前两个步骤后得到的值是:

我在"R"上使用了相同的数据集,但R中的季节性输出值却截然不同(截图如下)

不确定我做错了什么.任何帮助,将不胜感激.

我刚刚观察到的另一个有趣的事情是,(l(t))教科书中的初始级别是33.8,但在R输出中它是:48.24,这证明我在手动计算时遗漏了一些东西.

编辑:

以下是我如何计算平均移动平均值(基于此链接第2节中使用的公式.)

计算后我已经去趋势,意味着原始值 - 平滑值.

然后是季节性价值:这是

S1 =Average of Q1
S2 = Average of Q2
...

我有一个具有季节性（每周）模式的重复时间序列，并且我想返回没有每周趋势的相同时间序列，以第一个值作为起点。

具体来说，第一个值仍然是 39.8，但第八个值也将是 39.8，而不是 17.1。如果只是重复前七个值，那么将会重复出现为期一周的负面趋势，而我希望根本没有趋势（因此第 7 个值 6.2 也会更高）。

有没有一种优雅的方法来做到这一点，尤其是对时间序列中的零值条目具有鲁棒性的方法（我有很多这样的条目）？

我们可以假设时间序列趋势是线性且恒定的（即不仅仅是分段线性）。

demand <- ts(
  c(39.8, 33.5, 40.6, 23.6, 11.9, 12.3, 6.2, 17.1, 10.8, 18, 1, -10.7, 
-10.4, -16.5, -5.6, -11.9, -4.7, -21.7, -33.4, -33.1, -39.2, -28.2, 
-34.6, -27.4, -44.4, -56.1, -55.7, -61.8, -50.9, -57.2, -50.1),
frequency = 7
)

plot(demand)

我正在尝试使用这个hts 包进行分层预测,以便一起预测水网的不同尺度,以便进行协调预测.水网络由流量计组成,流量计以正或负的方式测量流量,当我们对净流量进行聚集时,它给出了一个邻域的内部消耗.

这不是100%的等级敏感因为: - 流量计对于进入一个邻域的流量是积极的,但是在离开另一个邻域时是负的.

所以结构是这样的,简化了3个流量计和2个邻域:

所以我试图复制F2仪表,一个正面和一个负面,但输出效果不理想.我怎么处理这个？

m=structure(c(28, 20, 20, 17, 19, 22, 26, 38, 45, 45, 42, 38, 37, 
            37, 33, 29, 28, 31, 37, 40, 36, 31, 26, 23, 22, 15, 13, 11, 11, 
            12, 16, 22, 25, 24, 21, 19, 17, 16, 14, 13, 13, 14, 16, 17, 16, 
            13, 11, 8, 7, 7, 8, 8, 8, 8, 8, 9, 11, 11, 11, 12, 12, 12, 11, 
            11, 11, 10, 10, 9, 9, 9, 8, …

我已经有一个适合data[0:100]使用python 的时间序列数据（例如ex ）的ARIMA（p，d，q）模型。我想forecast[100:120]使用此模型进行预测（）。但是，考虑到我也拥有未来的真实数据（例如：）data[100:120]，如何确保多步预测将我拥有的未来的真实数据考虑在内，而不是使用其预测的数据？

本质上，当进行预测时，我希望forecast[101]使用data[100]代替进行计算forecast[100]。

我想避免在每个时间步都用更新的“历史记录”重新拟合整个ARIMA模型。

我适合ARIMAX模型，如下所示：

train, test = data[:100], data[100:]
ext_train, ext_test = external[:100], external[100:]
model = ARIMA(train, order=(p, d, q), exog=ext_train)
model_fit = model.fit(displ=False)

现在，以下代码使我可以预测整个数据集（包括测试）的值

forecast = model_fit.predict(end=len(data)-1, exog=external, dynamic=False)

但是，在这种情况下，经过100步后，ARIMAX预测值会迅速收敛到长期平均值（如预期的那样，因为经过100步后，它仅使用预测值）。我想知道是否有办法提供“未来”的真实价值，以提供更好的在线预测。类似于以下内容：

forecast = model_fit.predict_fn(end = len(data)-1, exog=external, true=data, dynamic=False)

我知道我总是可以通过以下方式不断调整ARIMAX模型

historical = train
historical_ext = ext_train
predictions = []

for t in range(len(test)):
    model = ARIMA(historical, order=(p,d,q), exog=historical_ext)
    model_fit = model.fit(disp=False)
    output = model_fit.forecast(exog=ext_test[t])[0]
    predictions.append(output)
    observed …

我想预测在服务时间内进入商店的顾客数量。我有每小时的数据

• 星期一到星期五
• 8:00 至 18:00

因此，我认为我的时间序列实际上是有规律的，但在某种意义上是非典型的，因为我每天有 10 个小时，每周有 5 天。

我可以通过将非服务时间设置为零来对这个常规的 24/7 时间序列进行建模，但我发现这样做效率低下而且也不正确，因为时间并没有丢失。相反，它们并不存在。

使用旧的ts框架我能够明确指定

myTS <- ts(x, frequency = 10)

然而，在新的tsibble/fable框架内这是不可能的。它检测每小时的数据，预计每天 24 小时，而不是 10 小时。每个后续函数都会提醒我隐含的时间间隙。手动覆盖interval-Attribute 有效：

> attr(ts, "interval") <- new_interval(hour = 10)
> has_gaps(ts)
# A tibble: 1 x 1
.gaps
<lgl>
1 FALSE

但对建模没有影响：

model(ts,
      snaive = SNAIVE(customers ~ lag("week")))

我仍然收到相同的错误消息：

snaive [1] 遇到 1 个错误。数据包含隐式时间间隙。您应该检查数据并tsibble::fill_gaps()根据需要使用将隐式间隙转换为显式缺失值。

任何帮助，将不胜感激。

我在这里遇到了用于批量预测的Joseph Owen 代码。我有一个包含接近 19k 行的数据集，但问题是即使应用了批量预测方法，我的代码仍然运行速度非常慢。

在进行实际预测之前，我需要评估使用 MAPE 作为评估标准的最佳模型。以下是相同的可行代码片段。我的问题是如何优化以下代码以使其在可接受的时间内运行（2 分钟以内）

 fcnChooseETS <- function(Ts){
       
  TsPositive <- ( min( as.numeric(Ts) ) > 0 ) # Check if all values of timeseries are positive or not
  
  ModelsUsed <- c("ANN","MNN","ANA","AAN","AAA","MAA","MNM","MMN","MMM","MNA","MAN","MAM")
  ModelsNonPositive <- c("ANN","ANA","AAN","AAA") # Multiplicative models cannot take non positive data
  
  if( !TsPositive ){
    ModelsUsed <- ModelsNonPositive
  }
  
  lAllModels <- lapply(ModelsUsed, function(M){
    ets(Ts, damped = NULL, model = M)
  })
  
  vecResult <- sapply(lAllModels, function(M) accuracy(M)[2])
  
  names(vecResult) <- ModelsUsed
  min(vecResult)      
}  

    fcnTrending …