如何识别时间序列中的最佳频率？

Question

我有按天分组的数据库指标，我需要预测接下来3个月的数据。这些数据具有季节性，（我相信季节性是一周中的几天）。

我想使用R的Holt Winters方法，我需要创建一个时间序列对象，它要求频率，（我认为是7）。 但我怎么知道我是否确定？有识别最佳频率的功能吗？

我正在使用：

FID_TS <- ts(FID_DataSet$Value, frequency=7)

FID_TS_Observed <- HoltWinters(FID_TS)

如果我用decompose(FID_TS)分解这些数据，我有：

这是我的第一个预测FID_TS_Observed：

当我查看去年的历史时，它们在前3个月开始较低，并且从第3个月开始增加到11个，当时它们再次减少。

也许我的每日数据，每天都有每周季节性（频率= 7）和每月季节性（频率= 7x30 = 210）？我需要过去365天吗？

有什么方法可以将频率按星期和月份排列？另一件事是，我在去年使用整个Holt-Winters方法还是只使用其中的一部分会有什么不同吗？

提前致谢：）

Answer 1

通常，频率（或季节性，您似乎在帖子中交替使用这些词）由领域知识决定。例如，如果我在餐饮业工作，并且正在分析每小时的客户数据集，我知道我将有一个24小时的频率，在午餐时间和晚餐时间会有峰值，而另一个是168小时的频率（24 * 7）因为我的客户每周都会有一个模式。

如果由于某种原因，您不具备领域知识，则可以使用ACF和PACF以及傅里叶分析来找到适合数据的最佳频率。

  

有什么方法可以按周和按月显示频率？

没有Holt-Winters，没有。硬件仅包含一个季节性组成部分。对于多个季节性因素，您应该尝试使用TBATS。正如吴晓曦所指出的那样，FB Prophet可以对多个季节建模，而Google的BSTS软件包也可以。

  

另一件事，是我去年或整个Holt-Winters方法所用的全部还是一部分，有什么不同吗？

是的。我想建模一个季节性，那么您至少需要两倍该季节性周期才能建模（最好是更多），否则您的模型无法知道峰值是季节性变化还是一次冲动。因此，例如，要对每周的季节性进行建模，则需要至少14天的训练数据（加上用于测试的任何内容，而对于年度的季节性，则至少需要730天的数据，等等。...

Answer 2

您似乎拥有每日数据，并且希望对未来三个月进行预测。这里的问题是，您需要每日预测还是每周预测还是仅每月预测？我想您可能需要每日或每周的预测。如果您需要每周预测，则可能更容易先按周对数据进行分组，然后再运行预测。

Facebook的新Prophet软件包是一个非常有用的日常数据工具。它将与数据框一起使用，而不是与ts项目一起使用，这使得处理起来非常容易。而且，您可以通过诸如plot_components之类的内置函数快速获取每日（如果有每小时数据的话），每周和每月的季节性。这是Facebook的快速入门教程。它们具有适用于Python和R的API。

这里有一些快速代码可以绘制与先知有关的每周和每月的季节性（如有）。

library(prophet)
library(dplyr)
df <- FID_DataSet %>% rename(ds = date, y = Value)
m <- prophet(df)
future <- make_future_dataframe(m, periods = 365)
forecast <- predict(m, future)
plot(m, forecast) # plot out the forecast
prophet_plot_components(m, forecast) # plot out the components: trend, weekly and yearly seasonality if there is any.