R 当时间序列较短且存在季度数据峰值时可能的预测算法

我有一年的季度峰值数据，如下所示：

R中创建数据帧的示例代码：

x <- data.frame("Month" = c(1:12), "Count" = c(110,220,2500,150,180,1800,300,550,5000,205,313,4218))

我们可以看到，每个季度的最后一个月都出现了峰值。我的目标是根据这些数据预测未来一年。我尝试了一些特征工程的线性回归（比如一个月离一个季度有多远），结果显然不令人满意，因为它似乎没有线性相关性

---

我尝试了其他技术，如季节性naive和STLF（使用R），目前正在使用一些插值技术（如lagrange或newtonInterpolation），似乎有很多材料需要研究。有人能提出一个很好的可能的解决方案，以便我进一步探索吗？

stlf是否不适用于无周期序列？看起来ARIMA模型可以在这里完成这项工作。在任何情况下，当涉及到预测时，这都是我的目标。作者是Rob Hyndman，整个事情围绕R和他的包

forecast

是的，我也读到stlf是针对无周期序列的。然而，它给出了比线性回归更好的结果。Arima在这方面不是有点过分吗？它不能选择季节性，因为我们只有一年的数据。另一个建议是给它多个频率。也许

c（3，12）

…？好的。。。让我试试多频率选项。关于插值技术有什么想法吗？

Month Count
1         110
2         220
3        2500
4         150
5         180
6        1800
7         300
8         550
9        5000
10       205
11       313
12      4218