R中具有日数据的时间序列模型

我有一个包含2年每日数据的数据集。数据类型有两个季节性成分（每周和每月，即每种类型的日的行为方式相似，每个月相同）。让我们忘掉每年不同日期的假期吧。我需要建立一个时间序列模型来预测一两个月的每日数据。我用不同的参数尝试了ARIMA，预测值总是平稳的

这是我的代码：

df <read.csv("data.csv", header = TRUE, sep = ";")
tseries <-ts(df[,2],start=1,frequency=7) -- also tried msts but not working        
ARIMAfit <- auto.arima(log10(tseries), approximation=FALSE,trace=FALSE)
Series: log10(tseries) 
ARIMA(2,0,1)(2,0,0)[7] with non-zero mean 

Coefficients:
      ar1     ar2     ma1    sar1    sar2  intercept
  -0.1203  0.2423  0.6590  0.3182  0.4490     2.0577
    s.e.   0.1495  0.0900  0.1404  0.0330  0.0335     0.0508

 sigma^2 estimated as 0.03187:  log likelihood=222.5
AIC=-430.99   AICc=-430.84   BIC=-398.82

Training set error measures:
                  ME      RMSE       MAE        MPE     MAPE      MASE
Training set 0.000745645 0.1777786 0.1273053 -0.7742803 6.340793 0.8641706
                ACF1
Training set -0.00434844

pred <- predict(ARIMAfit, n.ahead = 500)

lines(10^(pred$pred),col="yellow")

df1）见此。使用虚拟变量估计每月和每周影响，同时搜索异常值、水平变化、时间趋势和每周影响变化（即季节性脉冲）
2） 为什么要记录数据？看看这个。

3） 发布数据，并注明日期和数据来源国。
1）见此。使用虚拟变量估计每月和每周影响，同时搜索异常值、水平变化、时间趋势和每周影响变化（即季节性脉冲）
2） 为什么要记录数据？看看这个。

3） 发布数据，注明日期和数据来源国。
听起来数据可以通过一组基函数回归建模，例如傅立叶分析。听起来数据可以通过一组基函数回归建模，例如傅立叶分析。