Nicht-saisonale Zeitreihe Forcast

Question

Alle -

Ich arbeite an einem Prognosemodell für eine Zeitreihe, die keine Saisonabhängigkeit hat. In anderen Bereichen habe ich ARIMA für diejenigen mit einzelnen Jahreszeiten, TBATS für diejenigen mit mehreren Jahreszeiten verwendet. Jetzt arbeite ich jedoch mit einer Zeitreihe, die keiner Saisonalität folgt. Ich hoffe auf einige grundlegende Prognosen. Ich beschäftige mich mit Daten von ungefähr 1,5 Jahren - täglich genommen. Die Handlung der Zeitreihe sieht wie folgt aus (ich keine Bilder veröffentlichen kann noch wegen meines Status auf Stackoverflow, aber dies ist ein Link zu dem Bild:

http://107.170.210.195/Rplot.png

nun gegeben, dass dies nicht saisonal, ich baue meine Zeitreihe auf diese Weise:

incidentBacklogRolling12DailyTS <- ts(incidentBacklogRolling12Daily$Count, start=c(2014,327), frequency=365.25) 

Dies kann oder möglicherweise nicht die richtige Art und Weise, dies zu tun, aber ich bin nach meiner Intuition hier ... Dann habe ich verschiedene Prognoseverfahren versucht - offensichtlich ARIMA und TBATS sind out. Jedoch versuchte ich ETS (was vielversprechend scheint) und STL. Beide ergibt eine Art "gerade Linie", die sich vom letzten poin erstreckt t. Jetzt weiß ich, dass meine Zeitreihe am Ende flach erscheint, aber es gibt ein bisschen Fluktuation. Ich experimentierte auch mit HoltWinters, die eine extrem genaue Anpassung ergaben, aber die Prognose war wiederum eine gerade Linie, diesmal schräg nach unten. Ich hatte gehofft, dass es da draußen ein gutes Modell für eine nicht saisonale Serie geben könnte.

Hat jemand einen Vorschlag für ein Modell (und möglicherweise Parameter für dieses Modell) zu versuchen. Vielleicht versuche ich zu hart - vielleicht gibt es dafür eine einfache Lösung, die ich nicht sehe. Danke für Anregungen!

Answer 1

Als ich dies in der letzten Woche recherchierte, wollte ich meine Lösung posten, für die ich in der Zukunft ankam. Ich fand ein Material von Rob Hyndman (Forscher in diesem Bereich aus Melbourne). Ich fand heraus, dass er in einer seiner Vorlesungen empfiehlt, die Funktion auto.arima() für solche Dinge zu verwenden. Ich sendete. Dr. Hyndman eine Notiz und er schlug die Verwendung von ETS dafür vor. Da es kein nachweisbares, zugrunde liegendes Muster oder keine Saisonabhängigkeit gibt, sollten Sie die neuesten Daten vorhersagen, was Sie mit Methoden wie AIRMA und ETS tun können. Ich habe beide ausprobiert und konnte anhand der Daten akzeptable Ergebnisse erzielen. Danke für all diejenigen, die das gelesen haben, wie ich schon sagte, ich wollte nur meine Lösung für andere anbieten, die das gleiche Problem haben könnten.