这个时间序列预测模型(in R)能进一步改进吗?
我正在尝试建立这个预测模型,但没有得到令人印象深刻的结果。我相信,培训模型的记录数量少是效果不太好的原因之一,因此我正在寻求帮助 这是预测变量的时间序列矩阵。此处Paidts7变量实际上是Paidts6的滞后变量。 XREG= 这是Y变量(待预测) 我尝试了使用外部回归器的Forecast::ARIMA和Forecast::NNETAR模型,但无法使MAPE低于7。我的目标是MAPE低于3,RMSE低于50000。欢迎您使用任何其他软件包和功能 以下是测试数据:XREG=这个时间序列预测模型(in R)能进一步改进吗?,r,statistics,time-series,recurrent-neural-network,arima,R,Statistics,Time Series,Recurrent Neural Network,Arima,我正在尝试建立这个预测模型,但没有得到令人印象深刻的结果。我相信,培训模型的记录数量少是效果不太好的原因之一,因此我正在寻求帮助 这是预测变量的时间序列矩阵。此处Paidts7变量实际上是Paidts6的滞后变量。 XREG= 这是Y变量(待预测) 我尝试了使用外部回归器的Forecast::ARIMA和Forecast::NNETAR模型,但无法使MAPE低于7。我的目标是MAPE低于3,RMSE低于50000。欢迎您使用任何其他软件包和功能 以下是测试数据:XREG=
Paidts2test Paidts6test Paidts7test Paidts4test
Jan 2017 31012640 36892000 79141002 27912
Feb 2017 33009746 39020000 36892000 9724
Mar 2017 39296653 52787000 39020000 11335
Apr 2017 36387649 36475000 52787000 17002
May 2017 40269571 41053000 36475000 11436
Paidts5test Paidts8test
Jan 2017 25100 109842.9
Feb 2017 25800 112589.0
Mar 2017 25680 112589.0
Apr 2017 25540 112589.0
May 2017 25830 112589.0
Y=
1627598 1041766 1381536 1346429 1314992
如果您发现删除一个或多个预测变量会显著改善结果,请继续。非常感谢您的帮助,请仅在“R”中提出建议,而不要在其他工具中提出建议
-谢谢试试
auto.arima
,它还允许您使用xreg
试试
auto.arima
,它还允许您使用xreg
这不是一个特定的编程问题。如果您对数据建模有任何疑问,请按或,而不是堆栈溢出。谢谢您的建议。我已经在简历上发了帖子。这不是一个具体的编程问题。如果您对数据建模有任何疑问,请按或,而不是堆栈溢出。谢谢您的建议。我在简历上发过帖子。我尝试过自动arima,这是建立arima模型的基础。谢谢你的好意,但我需要更多的东西。我已经尝试了自动arima,这是建立arima模型的基础。谢谢你的好意,但我需要更多的东西。
Jan Feb Mar Apr May Jun
2014 1266757.8 1076023.4 1285495.7 1026840.2 910148.8 1111744.5
2015 1654745.7 1281946.6 1372669.3 1017266.6 841578.4 1353995.5
2016 1062048.8 1860531.1 1684564.3 1261672.0 1249547.7 1829317.9
Jul Aug Sep Oct Nov Dec
2014 799973.1 870778.9 1224827.3 1179754.0 1186726.3 1673259.5
2015 1127006.2 779374.9 1223445.6 925473.6 1460704.8 1632066.2
2016 1410316.4 1276771.1 1668296.7 1477083.3 1466419.2 2265343.3
Paidts2test Paidts6test Paidts7test Paidts4test
Jan 2017 31012640 36892000 79141002 27912
Feb 2017 33009746 39020000 36892000 9724
Mar 2017 39296653 52787000 39020000 11335
Apr 2017 36387649 36475000 52787000 17002
May 2017 40269571 41053000 36475000 11436
Paidts5test Paidts8test
Jan 2017 25100 109842.9
Feb 2017 25800 112589.0
Mar 2017 25680 112589.0
Apr 2017 25540 112589.0
May 2017 25830 112589.0