给出奇数结果的R-ARIMA模型

我试图在R中使用ARIMA模型来预测数据。我的时间序列的一部分如下所示：

dt = msts(data$val, seasonal.periods=c(7, 30))
fit = auto.arima(dt)
plot(forecast(fit, 300))

对你来说，这只是一段时间，让你了解它。我有从2010年到2015年的每日数据

我想预测未来的情况。我正在使用

forecast

库，我的代码如下所示：

dt = msts(data$val, seasonal.periods=c(7, 30))
fit = auto.arima(dt)
plot(forecast(fit, 300))

这导致：

这个模型既不好也不有趣。我的

seasonal.periods

是由我定义的，因为我希望看到每周和每月的季节性，但是结果看起来是一样的，没有定义季节性的时段

我错过什么了吗？预测很快就会发生变化，从一点到另一点变化非常非常小

编辑：

为了进一步说明我所说的，这里有一个具体的例子。假设我有以下假数据集：

x = 1:500
y = 0.5*c(NA, head(x, -1)) - 0.4*c(NA, NA, head(x, -2)) + rnorm(500, 0, 5)

这是一个AR（2）模型，其系数

0.5

和

0.4

。绘制此时间序列会产生：

因此，我创建了一个ARIMA模型，并绘制了预测结果：

plot(forecast(auto.arima(y), 300))

结果是：

---

为什么ARIMA函数不能学习这个明显的模型？如果我使用

arima

函数并强制它尝试AR（2）模型，我不会得到更好的结果。

auto。arima

不处理多个季节性周期。为此，请使用

tbats

dt = msts(data$val, seasonal.periods=c(7, 30))
fit = tbats(dt)
plot(forecast(fit, 300))

---

auto.arima

将只使用最大的季节性时段，并尽可能做到最好。

嘿@Rob Hyndman谢谢你，我没有意识到这一点。tbats确实提供了更好的结果，但我仍然不确定为什么arima函数甚至不能提供简单的arima模型。请参阅我的编辑。这不是AR（2）模型。右侧的滞后项表示

x

，因此该模型为线性趋势加上噪声。然而，

auto.arima

应该仍然能够做得更好。由于某种原因，它错过了这一趋势。