预测倍数产品数据[关闭]

Question

我想预测接下来的 5 个订单以及每个订单中 3 个产品的数量。

我是使用r 和timeseries 的初学者，我看到了使用arima 的示例，但它们仅用于测量一件事，而不是像我的示例中那样测量多个产品。

我应该使用 arima 吗？ 我该怎么办？

对不起，我的英语不好。提前谢谢你。

dateordrer,product1,product2,product3
12/01/2012,2565,3254,635
25/01/2012,2270,3254,670
01/03/2012,2000,785,0
05/05/2012,300,3254,750
26/06/2012,3340,0,540
30/06/2012,0,3254,0
21/06/2012,3360,3356,830
01/07/2012,2470,3456,884
03/07/2012,3680,3554,944
05/07/2012,2817,3854,0
09/07/2012,4210,4254,32
09/08/2012,0,3254,1108
13/09/2012,4560,5210,952
25/09/2012,4452,4256,1143
31/09/2012,5090,5469,199
25/11/2012,5100,5569,0
10/12/2012,5440,5789,1323
11/12/2012,5528,5426,1350

Answer 1

你的问题很笼统，所以只能笼统地回答。此外，这个问题更多地与预测理论有关，而不是 R。 我会给你两个指示让你开始......

1. 您似乎需要进行一些预处理，即：您的时间间隔是多少？你的基本时间单位是什么？ （周？月？）。您应该根据该时间单位聚合数据。对于这些类型的操作，您可以使用 tidyr 和 lubridate 包。这是我整理后的数据集示例：

   data.raw <- read_csv("data1.csv") %>%
               mutate(date.re = as.POSIXct(dateordrer, format = "%d/%m/%Y"))
   complete.dates <- range(data.raw$date.re)
   dates.seq <- seq(complete.dates[1], complete.dates[2], by = "month")
   

   系列

   data.post <- data.raw %>%
                mutate(sale.month = month(date.re), sale.year = year(date.re)) %>%
                select(product1:product3, sale.month, sale.year) %>%
                group_by(sale.month, sale.year) %>%
                summarize_all(funs(sum(.))) %>%
                right_join(series) %>%
                replace_na(list(product1 = 0, product2 = 0, product3 = 0))
   

看起来像这样：

        sale.month  sale.year   product1    product2    product3
        1           2012        4835        6508        1305
        2           2012        0           0           0
        3           2012        2000        785         0
        4           2012        0           0           0
        etc...

看到第 2 个月和第 4 个月您没有数据（最初），因此它们显示为 0。 请注意，预处理不能掉以轻心，我使用月份作为基本单位，但这可能与您的目标不正确或相关。您甚至可以在继续之后对其进行修改，并尝试查看不同的聚合是否会产生更好的结果。

1. 只有在预处理之后才能转向预测。如果三个产品是独立的，则可以独立预测（例如使用 Arima / Holt-Winters / 任何其他模型 * 3 次）。但是，您拥有三个可能相互关联的产品这一事实将我们引向分层时间序列（包hts）。当各种产品之间存在统计关系时，此包中的函数hts() 能够最佳拟合预测模型。例如，当某种产品与另一种产品（补充产品）一起购买时，或者当您缺货并导致另一种产品（替代产品）时。

由于对于如此广泛的主题而言，这远非自成一体，因此您最好的下一个举措是查看以下在线书籍：

Forecasting: principles and practice

海德曼和阿萨纳索普洛斯。当我开始使用时间序列时，我阅读了它。这是一本非常好的书。具体来说，对于多个时间序列，您应该涵盖以下章节：

9.4 Forecasting hierarchical or grouped time series

确保您还阅读了该书的第 7 章（在移至 9.4 之前）。