Question

我正在为一个问题建立一个时间序列预测模型，该模型涉及制造商的数据集及其在大型零售店的产品。

问题如下：

假设您有数千家制造商。（M1至Mn）
有一个零售店会从这些商店取货制造商出售。
制造商每周向商店提供产品基础（相同价格或不同的同类产品或新产品）价格，但为简单起见，我们说它们提供了新的独特性产品）（从W1到Wn）
每个制造商都会开始与零售店合作在不同的日期。（可以是过去的任何事情）
从他们开始与零售店合作的时候开始历史表明，一些制造商一直在不断每周供应产品，有些产品稀少。

在下面的数据集中（N / A表示他们还没有开始与之做生意零售商，例如制造商M1在第3周加入零售商我们的第一次提供的时间窗口是10）

       W1 -  W2 -  W3 -  W4 -  W5 - W6 - W7 - W8 - . - . - . - Wn 
M1 - | N/A | N/A | 10  | 0   | 5  | 0  | 10 | 15 | 12 | . | . | 23 |
M2 - | 10  | 5   | 12  | 8   | 4  | 9  | 0  | 0  | 0  | . | . | 4  |
M3 - | 9   | N/A | 0   | 0   | 45 | 45 | 45 | 38 | 12 | . | . | 11 |
 . - | N/A | N/A | N/A | N/A | 12 | 0  | 10 | 15 | 12 | . | . | 28 |
 . - | N/A | N/A | N/A | 0   | 5  | 0  | 8  | 15 | 12 | . | . | 12 |
 . - | 5   | N/A | 60  | 0   | 5  | 0  | 40 | 67 | 23 | . | . | 46 |
 . - | N/A | N/A | 12  | 9   | 12 | 15 | 10 | 15 | 43 | . | . | 9  |
Mn - | 0   | N/A | 90  | 78  | 65 | 0  | 10 | 15 | 12 | . | . | 65 |

现在假设对于所有制造商，我想预测，从他们接下来的8周供应他们将从这个历史数据（即从Wn接下来的8周，我... Wn + 1到Wn）做起。 +8）。

我正在尝试使用R中的Auto ARIMA和季节性天真模型进行预测。

tsfull<- ts(tsdata, start=c(ts_series_strt_dt,weeknum_strt), freq=52)

tswindow<- window(tsdata, start=c(ts_series_strt_dt,weeknum_strt), end=c(ts_series_end_dt,weeknum_end)) 

SN<-snaive(tswindow, 8)
AR<-forecast.Arima(auto.arima(tswindow), h=8)
etsfr<-forecast(ets(tswindow), h=8)
stlffr<-forecast(stlf(tswindow), h=8)

由于数据包含很多零，因为每个制造商的系列起点完全不同，我们也有成千上万的制造商，我看到RMSE错误变化不大，因为每个系列都是独一无二的。此外，我尝试根据他们的年龄与出口分组制造商。我无法确定适合此问题的最佳预测模型。

我不是这个领域的专家。任何想法和意见都会非常有帮助。

R - 可变起点每周稀疏数据的时间序列预测

0 个答案: