如何解决如何将寓言/预测在 R 中应用于此数据库？
我正在尝试使用 R 中的 Fable 函数预测多个时间序列。这似乎是最有效的方法，但我是使用 R 的新手，所以我目前正在处理很多问题。我只是想向某人寻求建议和想法。我已经找到了如何仅使用预测功能包来做到这一点，但需要很多额外的步骤。 我的数据是一个有 5701 列和 50 行的 excel。每一列作为第一行中的产品名称，接下来的 49 个值是数字，代表从 2017 年 1 月到 2021 年 1 月的销售额。首先，如何将该表转换为 tsibble？我知道我需要这样做才能使用 Fable，但我被困在如此简单的步骤中。然后我想输出一个表格，其中包含未来 3 个学期（2021 年 4 月至 2022 年 9 月）的每月预测，其中产品|日期|模型 Arima（值）| arima 误差（值/值）|模型 ETS|错误ETS|模型天真|天真错误..等。我的主要目标是得到一张包含产品的表格|2021 年 4 月/2021 年 9 月的最佳预测|2021 年 10 月/2021 年 10 月的最佳预测|2022 年 4 月/2022 年 9 月的最佳预测|
我所做的是使用此代码：
newdata <- read_excel("ALLINCOLUMNS.xlsx")
Fcast <- ts(newdata[,1:5701],start= c(1),end=c(49),frequency=12)
output <- lapply(Fcast,function(x) forecast(auto.arima(x)))
prediction <- as.data.frame(output)
write.table(prediction,file= "C:\\Users\\thega\\OneDrive\\Documentos\\finalprediction.csv",sep=",")
默认情况下，它给了我格式 |product1.Point.Forecast||Product1.Lo.80||Product1.Hi.80|Product1.Lo.95|Product1.Hi.95|Product2 的东西。 Point.Forecast|...|Product5071.Hi.95|... 无论如何，我不需要 80 和 95 间隔，这让我在 excel 中使用它变得更加困难。如何以格式获取内容： |点预测产品1|点预测产品2|....|点预测产品5701|，只显示预测？我知道我必须在预测函数中使用 level=NULL ，但它并没有以我尝试过的方式工作。我打算做一个编程来删除这些列，但它不太优雅。最后，有没有办法显示列中方法的所有错误？我想将最好的方法添加到我的表中，因此我需要验证哪个错误较少。
解决方法
{fable} 包在数据采用整洁格式时效果最佳。在您的情况下，产品应该跨行而不是列表示。 您可以在此处阅读有关什么是整洁数据的更多信息：https://r4ds.had.co.nz/tidy-data.html 完成此操作后，您还可以在此处阅读有关时间序列的整洁数据的信息：https://otexts.com/fpp3/tsibbles.html
如果没有您的数据集，我只能猜测您的 Fcast 对象（ts() 数据）看起来像这样：
Fcast <- cbind(mdeaths,fdeaths)
Fcast
#> mdeaths fdeaths
#> Jan 1974 2134 901
#> Feb 1974 1863 689
#> Mar 1974 1877 827
#> Apr 1974 1877 677
#> May 1974 1492 522
#> Jun 1974 1249 406
#> Jul 1974 1280 441
#> and so on ...
也就是说，您的每个产品都有自己的列（并且您有 5701 个产品，而不仅仅是我将在示例中使用的 2 个）。
如果您已经拥有 ts 对象中的数据，您可以使用 as_tsibble(<ts>) 将其转换为整洁的时间序列数据集。
library(tsibble)
as_tsibble(Fcast,pivot_longer = TRUE)
#> # A tsibble: 144 x 3 [1M]
#> # Key: key [2]
#> index key value
#> <mth> <chr> <dbl>
#> 1 1974 Jan fdeaths 901
#> 2 1974 Feb fdeaths 689
#> 3 1974 Mar fdeaths 827
#> 4 1974 Apr fdeaths 677
#> 5 1974 May fdeaths 522
#> 6 1974 Jan mdeaths 2134
#> 7 1974 Feb mdeaths 1863
#> 8 1974 Mar mdeaths 1877
#> 9 1974 Apr mdeaths 1877
#> 10 1974 May mdeaths 1492
由 reprex package (v0.3.0) 于 2021 年 2 月 25 日创建
设置 pivot_longer = TRUE 会将列收集为长格式。这种格式适用于 {fable} 包。我们现在有一个 key 列，用于存储系列名称（您数据的产品 ID），而值存储在 value 列中。
有了适当格式的数据，我们现在可以使用 auto ARIMA() 和 forecast() 来获得预测：
library(fable)
#> Loading required package: fabletools
as_tsibble(Fcast,pivot_longer = TRUE) %>%
model(ARIMA(value)) %>%
forecast()
#> # A fable: 48 x 5 [1M]
#> # Key: key,.model [2]
#> key .model index value .mean
#> <chr> <chr> <mth> <dist> <dbl>
#> 1 fdeaths ARIMA(value) 1980 Jan N(825,6184) 825.
#> 2 fdeaths ARIMA(value) 1980 Feb N(820,6184) 820.
#> 3 fdeaths ARIMA(value) 1980 Mar N(767,6184) 767.
#> 4 fdeaths ARIMA(value) 1980 Apr N(605,6184) 605.
#> 5 fdeaths ARIMA(value) 1980 May N(494,6184) 494.
#> 6 fdeaths ARIMA(value) 1980 Jun N(423,6184) 423.
#> 7 fdeaths ARIMA(value) 1980 Jul N(414,6184) 414.
#> 8 fdeaths ARIMA(value) 1980 Aug N(367,6184) 367.
#> 9 fdeaths ARIMA(value) 1980 Sep N(376,6184) 376.
#> 10 fdeaths ARIMA(value) 1980 Oct N(442,6184) 442.
#> # … with 38 more rows
由 reprex package (v0.3.0) 于 2021 年 2 月 25 日创建
您还可以通过在 model() 中指定多个模型来计算其他模型的预测。
Fcast <- cbind(mdeaths,fdeaths)
library(tsibble)
#>
#> Attaching package: 'tsibble'
#> The following objects are masked from 'package:base':
#>
#> intersect,setdiff,union
library(fable)
#> Loading required package: fabletools
as_tsibble(Fcast,pivot_longer = TRUE) %>%
model(arima = ARIMA(value),ets = ETS(value),snaive = SNAIVE(value)) %>%
forecast()
#> # A fable: 144 x 5 [1M]
#> # Key: key,.model [6]
#> key .model index value .mean
#> <chr> <chr> <mth> <dist> <dbl>
#> 1 fdeaths arima 1980 Jan N(825,6184) 825.
#> 2 fdeaths arima 1980 Feb N(820,6184) 820.
#> 3 fdeaths arima 1980 Mar N(767,6184) 767.
#> 4 fdeaths arima 1980 Apr N(605,6184) 605.
#> 5 fdeaths arima 1980 May N(494,6184) 494.
#> 6 fdeaths arima 1980 Jun N(423,6184) 423.
#> 7 fdeaths arima 1980 Jul N(414,6184) 414.
#> 8 fdeaths arima 1980 Aug N(367,6184) 367.
#> 9 fdeaths arima 1980 Sep N(376,6184) 376.
#> 10 fdeaths arima 1980 Oct N(442,6184) 442.
#> # … with 134 more rows
由 reprex package (v0.3.0) 于 2021 年 2 月 25 日创建
.model 列现在标识用于生成每个预测的模型，其中有 3 个模型。
如果您想并排关注点预测，您可以tidyr::pivot_wider() 跨多列预测.mean 值。
library(tsibble)
library(fable)
library(tidyr)
Fcast <- cbind(mdeaths,fdeaths)
as_tsibble(Fcast,snaive = SNAIVE(value)) %>%
forecast() %>%
as_tibble() %>%
pivot_wider(id_cols = c("key","index"),names_from = ".model",values_from = ".mean")
#> # A tibble: 48 x 5
#> key index arima ets snaive
#> <chr> <mth> <dbl> <dbl> <dbl>
#> 1 fdeaths 1980 Jan 825. 789. 821
#> 2 fdeaths 1980 Feb 820. 812. 785
#> 3 fdeaths 1980 Mar 767. 746. 727
#> 4 fdeaths 1980 Apr 605. 592. 612
#> 5 fdeaths 1980 May 494. 479. 478
#> 6 fdeaths 1980 Jun 423. 413. 429
#> 7 fdeaths 1980 Jul 414. 394. 405
#> 8 fdeaths 1980 Aug 367. 355. 379
#> 9 fdeaths 1980 Sep 376. 365. 393
#> 10 fdeaths 1980 Oct 442. 443. 411
#> # … with 38 more rows
由 reprex package (v0.3.0) 于 2021 年 2 月 25 日创建
您可以在此处了解如何评估这些模型/预测的准确性：https://otexts.com/fpp3/accuracy.html
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。