利用Holtwiners预测进行批量预测

我使用Rob Hyndman的批处理预测方法来预测

数据帧中的多个列。我的代码如下：

require(forecast)

zips <- read.csv(file.choose(), header = T)
zips <- zips[,-c(1,2)]
ns <- ncol(zips)

zips <- ts(zips, frequency = 12, start = c(2005,1), end = c(2014,12))
zips <- HoltWinters(zips, seasonal = "mult")

h <- 24

fcast <- matrix(NA, nrow=h, ncol=ns)
for(i in 1:ns) {
    fcast[,i] <- forecast.HoltWinters(zips[,i], h=h)
}

write(t(fcast), file="fcast.csv", sep=",",ncol=ncol(fcast))

require（预测）
zips尝试将预测存储到列表而不是矩阵中。另外，
forecast.holtwiners
函数需要类
holtwiners
的对象，该类对象由需要向量作为输入的
holtwiners
函数生成。除了点预测外，默认情况下，
forecast.holtwiners
函数也会生成预测区间界限

fcast <- list()

for(i in 1:ns) {

  zips_fit <- HoltWinters(zips[, i], seasonal = "mult")
  fcast[[i]] <- forecast.HoltWinters(zips_fit, h = h)
}

fcast即使我也在对霍尔特冬季预测方法使用类似的批处理，但我使用了Rob J Hyndman教授创建的预测包中的函数hw。
无论如何，对于你的问题，我更喜欢在预测中使用
$mean
。i、 e

fcast <- matrix(NA, nrow=h, ncol=ns) 
for(i in 1:ns) {
    fcast[,i] <- forecast.HoltWinters(zips[,i], h=h)`$mean`
}

fcast
hw（）
函数无论如何都会给出预测值。要获得积分预测，您可以使用
$mean
（如下代码中所用）。您还可以使用
seasonal=“Additional”
或
seasonal=“乘法”
参数

祝你好运

最好的

require（预测）
拉链
require(forecast)

    zips <- read.csv(file.choose(), header = T)

    zips <- ts(zips, frequency = 12, start = c(2005,1), end = c(2014,12))

    ns <- ncol(zips)
    h <- 24

    fcast <- matrix(NA, nrow=h, ncol=ns)
    for(i in 1:ns) {fcast[,i] <- hw(zips[,i],h=h)$mean

    }

    write(t(fcast), file="fcast.csv", sep=",",ncol=ncol(fcast))