使用ARIMA对一个月的每日数据进行时间序列预测

Question

我每个周期工作30天（每月），因此在我的历史数据集中有大约2个周期。

R脚本是，

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()

结果图是

但我对预测并不满意。有没有办法让预测看起来与之前的价值趋势相似（见图表）？

Answer 1

您要求很多auto.arima()仅使用两个月的数据来查找模型。至少通过暗示季节性差异来帮助它。此外，请勿使用predict。 forecast功能更好。

为forecast()为“更好”的原因，请参阅Journal of Statistical Software of July 2008，特别是第4.4节：

  

forecast（）函数是通用的，并且具有适用于各种范围的S3方法   时间序列模型。它计算点预测和预测   时间序列模型的间隔。存在适合的模型的方法   使用ets（），auto.arima（），Arima（），arima（），ar（），HoltWinters（）和   StructTS（）。

     

还有一种ts对象的方法。如果是时间序列   对象作为forecast（）的第一个参数传递，函数将   基于指数平滑算法生成预测   第2节。

     

在大多数情况下，存在一个现有的predict（）函数   这是为了做同样的事情。不幸的是，   来自predict（）函数的结果对象包含不同的   在每种情况下的信息，因此不可能建立通用   结果的函数（如plot（）和summary（））。所以与其，   forecast（）充当predict（）的包装器，并打包   以通用格式（预测类）获得的信息。我们也   定义默认的predict（）方法，该方法在不存在时使用   predict（）函数存在，并调用相关的forecast（）函数。   因此，predict（）方法并行预测（）方法，但后者   提供更有用的一致输出。

请尝试以下操作。

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