Прогнозирование в R - ARIMA, TBATS, UCM, байесовские структурные временные ряды и т. Д.

Question

Мне 2 месяца до концепций прогнозирования, но я стараюсь учиться и продолжать практиковать. Здесь я пытаюсь предсказать недельный продукт с использованием различных методов прогнозирования в наборе обучающих данных и проверке его точности в наборе тестовых данных. Я пробовал разные методы, такие как ARIMA, TBATS, Holts Winter, UCM, байесовские структурные временные ряды и т. Д. Но не смог улучшить мою точность. Точность кажется очень плохой. Не знаю, где я ошибаюсь. Я также попробовал ARIMA с регрессором, но опять-таки это не очень помогает мне. Я не уверен, что мои коды или мой подход ошибочны. Может ли кто-нибудь помочь мне улучшить мою точность? Ниже еженедельный набор данных (начинается с 8-го декабря, 2012)

[1] 74 76 78 63 58 58 57 56 85 73 71 91 85 
[14] 79 101 74 86 98 131 90 127 116 320 145 121 148 
[27] 112 141 153 118 151 151 152 90 147 123 266 99 110 
[40] 146 134 76 81 100 80 323 15 22 14 13 19 56 
[53] 78 79 70 79 24 26 31 35 45 33 41 41 61 
[66] 91 83 76 57 68 87 82 105 76 107 116 105 124 
[79] 127 149 124 120 111 122 134 87 80 81 89 40 63 
[92] 112 85 131 97 51 65 74 70 47 62 60 49 47 
[105] 56 64 57 58 45 56 60 49 82 49 61 71 61 
[118] 92 90 75 69 114 79 144 121 133 132 114 124 152 
[131] 125 112 128 124 152 95 64 59 91 132 146 120 196 
[144] 212 115 125 66 68 78 83 74 300 46 98 86 95 
[157] 61 73 89 56 81 60 58 101 482 55 124 72 57 
[170] 51 82 55 68 105 153 113 105 85 34 77 95 96 
[183] 97 94 81 104 76 97 65 42 18 11 

Я рассмотрел мой период обучения, как 178 недель и тестирование в 14 недель. Позволяет сказать, «данные» мой dataframe с «единицы», как мой ColName,

series <- ts(data, start=2012+342/365.25, frequency = 365.25/7) 
kk  <- 178 
seas  <- 365.25/7 
st  <- tsp(series)[1] + (1/seas)*(kk-1) 
training <- window(series, end = st) 
testing <- window(series, start = st + 1/52.17857, end = st+14/52.17857) 

train1 <- training[,"units"] 
test1 <- testing[,"units"] 

##ARIMA 
farima <- forecast(auto.arima(train1),h=14) 
acc_arima <- accuracy(farima$mean,test1) 

##TBATS 
fTBATS <- forecast(tbats(train1,seasonal.periods=c(4,7,12,52)), h=14) 
acc_TBATS <- accuracy(fTBATS$mean,test1) 

##struTs 
fstruTs <- forecast(StructTS(train1), h=14) 
acc_struTs <- accuracy(fstruTs$mean,test1) 

##UCM 
forUCM  <- ucm(formula = train1~0, data = train1, level =  
TRUE, slope = TRUE) 
fUCM  <- predict(forUCM$model, n.ahead = 14) 
acc_struTs <- accuracy(fUCM$fit,test1) 

##Bayesian Structural time series 
ss <- AddLocalLinearTrend(list(), train1) 
ss <- AddSeasonal(ss, train1, nseasons = 52, season.duration = 7) 

model2 <- bsts(train1, state.specification = ss, niter = 500) 
fbsts <- predict(model2, horizon = 14, burn = 100) 
acc_bsts <- accuracy(fbsts$mean,test1) 

Для всех вышеперечисленных методов, мой MAPE выше 100%, что я думаю, что это очень плохо. Может ли кто-нибудь помочь мне улучшить точность? Я буду очень признателен. Спасибо!

Answer 1

Я рекомендовал бы несколько вещей:

1) Если вы используете отличный R forecast пакет, я рекомендовал бы по крайней мере, пытается полностью автоматизированный прогноз (смотри примеры ниже).

2) Я бы рекомендовал отображать прогнозные и фактические значения вместе с историческими данными, чтобы убедиться, что результат кажется разумным с учетом исторических данных.

3) Я бы рекомендовал прочитать free on-line textbook, сделанный некоторыми из создателей пакета R forecast.

Приведенный ниже пример использует полностью автоматизированный прогноз временных рядов от пакета forecast и отображает результаты как для набора данных, который вы используете выше, так и для другого общедоступного набора данных.

library(ggplot2) 
library(forecast) 

data <- read.table("./data.txt", quote="\"", comment.char="") 
series <- ts(as.numeric(data), start=2012+342/365.25, frequency = 365.25/7) 

train_length <- 178 
test_length <- length(series) - train_length 
train_end <- time(series)[train_length] 
test_start <- time(series)[train_length+1] 

training <- window(series, end = train_end) 
testing <- window(series, start = test_start) 

## Use default forecast 
fcast <- forecast(training, h=test_length) 
plot(fcast) 
lines(testing, col='red') 
acc_fcast <- accuracy(fcast$mean, testing) 

births <- scan("http://robjhyndman.com/tsdldata/data/nybirths.dat") 
birthstimeseries <- ts(births, frequency=12, start=c(1946,1)) 
train_length <- 150 
test_length <- length(birthstimeseries) - train_length 
train_end <- time(birthstimeseries)[train_length] 
test_start <- time(birthstimeseries)[train_length+1] 

training <- window(birthstimeseries, end = train_end) 
testing <- window(birthstimeseries, start = test_start) 

## Use default forecast 
fcast <- forecast(training, h=test_length) 
plot(fcast) 
lines(testing, col='red') 
acc_births <- accuracy(fcast$mean, testing)