我的组织正在运行此事件，我们具有2016年，2017年和2018年的门票销售历史数据。该数据包含考虑了所有销售期间的按天销售的门票数量。
在2019年本次活动中，我被要求对所有日销售期间的日间售票量进行预测，以指导我们度过这段时间，这意味着如果我们能够提供信息，高于或低于预期的销售平均值。
问题在于历史数据在几天内具有不同的销售期限：
2016年，总销售期为46天。 2017年是77天。 在2018年为113天。
2019年，我们计划85天。那么，如何以逻辑/统计方式调整这些历史数据，以便将它们用作统计预测模型（例如ARIMA模型）的输入？
此外，我正计划在Python上执行此操作，因此，如果您对此有任何建议，我也希望听到他们的建议！
谢谢！
答案 0 :(得分：0)
根据我对您的问题的理解，我将以以下方式解决此问题。
每天查找该事件与那天之间的距离。最大 该值的值在2016年为46，在2017年为77，依此类推。 最长的一天之前。
使用上面的变量以及月份中的某天，一周中的某天 等作为无关变量
此外，使用门票销售的滞后信息。你可以尝试一个 天延迟，一周延迟等。
从销售开始直到您可以生成所有这些数据 结束。
每天将生成的变量用作预测变量并使用票证 将销售作为目标变量并生成机器学习模型 而不是预测。
使用机器学习模型以及生成的变量来预测未来的销售。