正在处理的数据如下所示
254977 166862 192546 139148 158211 143186 129334 138307 175387 179093 179093 179093 173914 177048 159028 157566 173361 165577 156633 160009 169986 175534 182035 175418 190068 318906 206457 214399 227035 229593 304140 240359 219092 120673 229633 251370
将以下代码用于预测
#Conversion to a time series
Sales_products<- ts(myts, start = 2016 ,frequency = 12)
#Removing outliers
sales<- tsclean(Sales_products)
# Arima auto generated
arimafore = forecast(auto.arima(sales), h = 5)
summary(arimafore)
对于summary（），我得到以下结果
Forecast method: ARIMA(1,2,1)(0,0,1)[12]
Model Information:
Series: sales
ARIMA(1,2,1)(0,0,1)[12]
Coefficients:
ar1 ma1 sma1
-0.8670 -0.4627 0.5136
s.e. 0.1327 0.1962 0.3270
sigma^2 estimated as 328019666: log likelihood=-383.05
AIC=774.11 AICc=775.49 BIC=780.21
Error measures:
ME RMSE MAE MPE MAPE MASE ACF1
Training set 3485.018 16806.59 13183.17 1.960426 7.575784 0.3560643 0.1163094
Forecasts:
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
Jan 2019 250494.1 227140.9 273847.3 214778.4 286209.7
Feb 2019 276820.3 248688.8 304951.8 233796.8 319843.8
Mar 2019 274574.5 229773.4 319375.7 206057.1 343091.9
Apr 2019 295608.1 241251.7 349964.5 212477.2 378739.1
May 2019 295778.5 223994.9 367562.1 185994.9 405562.1
为什么我得到的是以几个月为单位的预测结果，所以对于2019年1月，2019年2月，2019年3月，2019年4月和2019年5月为5个月，而不是对5年，2019年，2020年，2021年，2022年的预测和2023年。