R 中的预测 - ARIMA、TBATS、UCM、贝叶斯结构时间序列等

Question

我 2 个月大就可以预测概念，但我正在努力自己学习并不断练习。在这里，我试图预测每周产品 在训练数据集上使用不同的预测技术并在测试数据集上测试其准确性。我尝试了不同的技术，如 ARIMA、TBATS、Holts Winter、UCM、贝叶斯结构时间序列等。但无法提高我的准确性。精度似乎很差。不知道我哪里出错了。我也用回归器尝试了 ARIMA，但它又对我没有多大帮助。我不确定我的代码或方法是否错误。谁能指导我提高我的准确性？以下是每周数据集（从 2012 年 12 月 8 日开始）

  [1]  74  76  78  63  58  58  57  56  85  73  71  91  85
 [14]  79 101  74  86  98 131  90 127 116 320 145 121 148
 [27] 112 141 153 118 151 151 152  90 147 123 266  99 110
 [40] 146 134  76  81 100  80 323  15  22  14  13  19  56
 [53]  78  79  70  79  24  26  31  35  45  33  41  41  61
 [66]  91  83  76  57  68  87  82 105  76 107 116 105 124
 [79] 127 149 124 120 111 122 134  87  80  81  89  40  63
 [92] 112  85 131  97  51  65  74  70  47  62  60  49  47
[105]  56  64  57  58  45  56  60  49  82  49  61  71  61
[118]  92  90  75  69 114  79 144 121 133 132 114 124 152
[131] 125 112 128 124 152  95  64  59  91 132 146 120 196
[144] 212 115 125  66  68  78  83  74 300  46  98  86  95
[157]  61  73  89  56  81  60  58 101 482  55 124  72  57
[170]  51  82  55  68 105 153 113 105  85  34  77  95  96
[183]  97  94  81 104  76  97  65  42  18  11

我认为我的培训期为 178 周，测试期为 14 周。 可以说，“数据”是我的数据框，“单位”作为我的列名，

series    <- ts(data, start=2012+342/365.25, frequency = 365.25/7)
kk        <- 178
seas      <- 365.25/7
st        <- tsp(series)[1] + (1/seas)*(kk-1)
training  <- window(series, end = st)
testing   <- window(series, start = st + 1/52.17857, end = st+14/52.17857)

train1 <- training[,"units"]
test1  <- testing[,"units"]

##ARIMA
farima    <- forecast(auto.arima(train1),h=14)
acc_arima <- accuracy(farima$mean,test1)

##TBATS
fTBATS    <- forecast(tbats(train1,seasonal.periods=c(4,7,12,52)), h=14)
acc_TBATS <- accuracy(fTBATS$mean,test1)

##struTs
fstruTs    <- forecast(StructTS(train1), h=14)
acc_struTs <- accuracy(fstruTs$mean,test1)

##UCM
forUCM     <- ucm(formula = train1~0, data = train1, level =     
TRUE, slope = TRUE)
fUCM       <- predict(forUCM$model, n.ahead = 14)
acc_struTs <- accuracy(fUCM$fit,test1)

##Bayesian Structural time series
ss <- AddLocalLinearTrend(list(), train1)
ss <- AddSeasonal(ss, train1, nseasons = 52, season.duration = 7)

model2 <- bsts(train1, state.specification = ss, niter = 500)
fbsts <- predict(model2, horizon = 14, burn = 100)
acc_bsts <- accuracy(fbsts$mean,test1)

对于上述所有方法，我的 MAPE 都高于 100%，我认为这非常糟糕。有人可以指导我提高准确性吗？我将非常感激。 谢谢！

Answer 1

我会推荐一些东西：

1) 如果您使用的是出色的 R forecast 包，我建议您至少尝试全自动预测（参见下面的示例）。

2) 我建议绘制预测值和实际值，以及历史数据，以查看在历史数据的情况下输出是否合理。

3) 我建议阅读由 R forecast 包的一些创建者制作的 free on-line textbook。

下面的示例使用来自forecast 包的全自动时间序列预测，并绘制了您在上面使用的数据集和另一个公开可用的数据集的结果。

library(ggplot2)
library(forecast)

data <- read.table("./data.txt", quote="\"", comment.char="")
series <- ts(as.numeric(data), start=2012+342/365.25, frequency = 365.25/7)

train_length <- 178
test_length <- length(series) - train_length
train_end <- time(series)[train_length]
test_start <- time(series)[train_length+1]

training <- window(series, end = train_end)
testing <- window(series, start = test_start)

## Use default forecast
fcast <- forecast(training, h=test_length)
plot(fcast)
lines(testing, col='red')
acc_fcast <- accuracy(fcast$mean, testing)

births <- scan("http://robjhyndman.com/tsdldata/data/nybirths.dat")
birthstimeseries <- ts(births, frequency=12, start=c(1946,1))
train_length <- 150
test_length <- length(birthstimeseries) - train_length
train_end <- time(birthstimeseries)[train_length]
test_start <- time(birthstimeseries)[train_length+1]

training <- window(birthstimeseries, end = train_end)
testing <- window(birthstimeseries, start = test_start)

## Use default forecast
fcast <- forecast(training, h=test_length)
plot(fcast)
lines(testing, col='red')
acc_births <- accuracy(fcast$mean, testing)