R，Times Series，Arima Model，Forecasting，Daily data

Question

我正在尝试使用每日数据进行一些需求预测，从2012年1月16日到2013年10月10日。但预测只会返回糟糕的结果。有什么线索的原因？

这是图中数据的样子：存在每周和每月的季节性。即：工作日需求增加，周末需求减少。

以下是预测图的外观：黑线是实际数据，蓝线是预测数据。

 x = ts(data, freq=7, start=c(3,2))
 fit <- auto.arima(x)
 pred <- forecast(fit, h=300)

我做了很多关于如何使用arima模型拟合日常数据的研究。因为每周有季节性，所以我选择了freq = 7.

然而，由于预测很糟糕。有人非常擅长指出Hyndman教授所提出的关于拟合多季节模型的方法之一。

https://stats.stackexchange.com/questions/74418/frequency-of-time-series-in-r/74426#74426

所以我接受了好人的建议，并使用上面链接中给定的2种方法拟合模型。

方法1：使用tbats（）函数。

x_new <- msts(x, seasonal.periods=c(7,7*52))
fit <- tbats(x_new)
fc <- forecast(fit, h=7*52)

我使用了每周季节性7和每年7 * 52的季节性。因为我还没有想出一个简单的方法来获得每月的季节性。根据结果​​，预测也不好。注意：如果我使用7 * 4作为每月的第二个季节性时段，则会给出更糟糕的预测。

方法2：使用傅立叶作为xreg。

seas1 <- fourier(x, K=1)
seas2 <- fourier(ts(x,freq=7*52), K=1)
fit <- auto.arima(x, xreg=cbind(seas1,seas2))
seas1.f <- fourierf(x, K=1, h=7*52)
seas2.f <- fourierf(ts(x,freq=7*52), K=1, h=7*52)
fc1 <- forecast(fit, xreg=cbind(seas1.f, seas2.f))

我用不同的K尝试了它，并没有改善预测。

因此，我被卡住了！由于预测很远。谁能指出我的错误在哪里？或者我应该如何改进我的模型？

非常感谢！

Answer 1

您正在错过假期和假期和异常值的主要因素影响（脉冲异常值，水平偏移，趋势变化，一周影响的变化（即季节性脉冲））。如果你处理这些事情，那么你就无法在一周的日常模式中得到很好的解读。你可以把你的数据发布到dropbox.com，这样我可以看看吗？指定开始日期和数据所在的国家/地区。