मैं 16 जनवरी, 2012 से 10 अक्टूबर, 2013 तक दैनिक डेटा के साथ कुछ मांग पूर्वानुमान करने की कोशिश कर रहा हूं। लेकिन भविष्यवाणी सिर्फ भयानक परिणाम देती है। कोई सुराग क्यों?आर, टाइम्स श्रृंखला, अरिमा मॉडल, पूर्वानुमान, दैनिक डेटा
इस प्रकार डेटा साजिश में दिखता है: साप्ताहिक और मासिक मौसमी मौजूद हैं। Ie: सप्ताहांत के दौरान सप्ताहांत और कम मांग के दौरान अधिक मांग। जहां काली रेखा वास्तविक डेटा और ब्लू लाइन भविष्यवाणी डेटा है:
यहाँ कैसे भविष्यवाणी साजिश लग रहा है।
x = ts(data, freq=7, start=c(3,2))
fit <- auto.arima(x)
pred <- forecast(fit, h=300)
मैं Arima मॉडल के साथ दैनिक डेटा फिट करने के लिए कैसे पर अनुसंधान के एक बहुत था। और चूंकि साप्ताहिक मौसमी है, इसलिए मैंने freq = 7 चुना है।
हालांकि, भविष्यवाणी खराब हैं। और कोई व्यक्ति विधि में से एक को इंगित करने के लिए काफी अच्छा था प्रोफेसर हेंडमैन ने कई मौसमीताओं के साथ मॉडल को फिट करने के बारे में साझा किया।
https://stats.stackexchange.com/questions/74418/frequency-of-time-series-in-r/74426#74426
तो मैं अच्छे लोगों की सलाह ले लिया और ऊपर के लिंक से दिए गए 2 तरीकों के साथ मॉडल फिट।
विधि 1: tbats() फ़ंक्शन का उपयोग करना। 
x_new <- msts(x, seasonal.periods=c(7,7*52))
fit <- tbats(x_new)
fc <- forecast(fit, h=7*52)
मैं साप्ताहिक मौसमी 7 और सालाना मौसमी इस्तेमाल किया 7 * 52। चूंकि मुझे मासिक मौसमी पाने का आसान तरीका नहीं पता है। नतीजे के आधार पर, पूर्वानुमान भी अच्छा नहीं है। नोट: यदि मैं मासिक के लिए दूसरी मौसमी अवधि के रूप में 7 * 4 का उपयोग करता हूं, तो यह बदतर भविष्यवाणी देता है।
विधि 2: एक xreg के रूप में चौराहे का उपयोग करना। 
seas1 <- fourier(x, K=1)
seas2 <- fourier(ts(x,freq=7*52), K=1)
fit <- auto.arima(x, xreg=cbind(seas1,seas2))
seas1.f <- fourierf(x, K=1, h=7*52)
seas2.f <- fourierf(ts(x,freq=7*52), K=1, h=7*52)
fc1 <- forecast(fit, xreg=cbind(seas1.f, seas2.f))
मैं अलग कश्मीर के साथ इसे करने की कोशिश, और यह भविष्यवाणी में सुधार नहीं होता।
इसलिए, मैं अटक गया हूँ! चूंकि भविष्यवाणी बंद है। क्या कोई यह बता सकता है कि मेरी गलतियों कहां हैं? या मुझे अपने मॉडल को कैसे सुधारना चाहिए?
बहुत धन्यवाद!
यह प्रश्न ऑफ-विषय प्रतीत होता है क्योंकि यह आर कोड की तुलना में सांख्यिकीय मॉडलिंग के बारे में अधिक है। –