Question

我有每日数据（虚拟数据如下）：

 Date   Value
01/01/2014  610413
02/01/2014  243374
03/01/2014  459427
04/01/2014  243769
05/01/2014  415550
06/01/2014  345504
07/01/2014  583661
08/01/2014  406861
09/01/2014  326838
10/01/2014  389894

数据一直运行到2016年＆amp;我想运行一个arima模型＆amp;当我检查每日季节性时：

#Check for daily seasonality
ets(Data2)
fit <- tbats(Data2)
seasonal <- !is.null(fit$seasonal)
seasonal

＆安培;结果是时令的 [1] TRUE

#Check for weekly seasonality
timeSeriesObj = ts(Data2,start=c(2014,1,1),frequency=7)
 fit <- tbats(timeSeriesObj)
seasonal <- !is.null(fit$seasonal)
seasonal

＆安培;结果是季节性[1]为真我需要生成未来3年的预测和考虑到季节性，我希望使用傅立叶术语。但我不太熟悉如何生成傅里叶项。我浏览了论文https://robjhyndman.com/hyndsight/forecasting-weekly-data/ 但如何最佳地选择傅里叶项的数量。根据论文，我运行了以下代码：

   bestfit <- list(aicc=Inf)
  for(i in 1:25)
  {
  fit <- auto.arima(data_ts, xreg=fourier(data_ts, K=i), seasonal=FALSE)
  if(fit$aicc < bestfit$aicc)
   bestfit <- fit
   else break;
   }
  bestfit
  fc <- forecast(bestfit, xreg=fourier(data_ts, K=7, h=104))
  plot(fc)

但是预测片会引发错误：

forecast.Arima（bestfit，xreg = fourier（data_ts，K = 7，h = 104））出错：回归数量与拟合模型不匹配这是因为我无法确定“K”的最佳数量。此外，是否有更好的替代方案来处理数据中的季节性。

提前致谢。

Answer 1

fc <- forecast(bestfit, xreg=fourier(data_ts, K=7, h=104))

我认为K应该是你最好的K（在这种情况下，i），最大限度地减少AICc，而不是7。

我希望它有所帮助。

Answer 2

这可能会有所帮助，不确定您是否仍然需要答案：

bestfit <- list(aicc=Inf)
  for(i in 1:25)
  {
  fit <- auto.arima(data_ts, xreg=fourier(data_ts, K=i), seasonal=FALSE)
  if(fit$aicc < bestfit$aicc)
   bestfit <- fit
   else break;
   print(i)
   }

如果您包含print(i)，那么最后出现的数字就是您的最佳K值。

每日和每日的傅里叶变换每周数据

2 个答案: