专栏首页拓端tecdatR语言时间序列和ARIMA模型预测拖拉机销售的制造案例研究

R语言时间序列和ARIMA模型预测拖拉机销售的制造案例研究

完整原文链接:http://tecdat.cn/?p=5421

本文是我们通过时间序列和ARIMA模型预测拖拉机销售的制造案例研究示例的延续。您可以在以下链接中找到以前的部分:

第1部分 :时间序列建模和预测简介

第2部分:在预测之前将时间序列分解为解密模式和趋势

第3部分:ARIMA预测模型简介

ARIMA模型 - 制造案例研究示例

回到我们的制造案例研究示例,准备好开始分析,以预测未来3年的拖拉机销售情况。

步骤1:将拖拉机销售数据绘制为时间序列

首先,您已为数据准备了时间序列图。以下是您用于读取R中的数据并绘制时间序列图表的R代码

data = ts(data[,2],start = c(2003,1),frequency = 12)

plot(data, xlab='Years', ylab = 'Tractor Sales')

显然,上面的图表有拖拉机销售的上升趋势,还有一个季节性。

第2步:差分数据使数据在平均值上保持不变(删除趋势)

用于绘制差异系列的R代码和输出显示如下:

plot(diff(data),ylab='Differenced Tractor Sales')

好的,所以上面的系列在方差上不是平稳的,即随着我们向图表右侧移动,图中的变化也在增加。我们需要使系列在方差上保持稳定,以通过ARIMA模型产生可靠的预测。

步骤3:记录变换数据以使数据在方差上保持不变

使系列在方差上保持平稳的最佳方法之一是通过对数变换转换原始系列。

以下是与输出图相同的R代码。请注意,由于我们在没有差分的情况下使用原始数据,因此该系列不是平均值。

plot(log10(data),ylab='Log (Tractor Sales)')

现在方差上看起来很平稳。

步骤4:差分对数变换数据使得数据在均值和方差上都是平稳的

让我们看一下对数变换序列的差分图 。

plot(diff(log10(data)),ylab='Differenced Log (Tractor Sales)')

是的,现在这个系列在均值和方差上看起来都很平稳。

步骤5:绘制ACF和PACF以识别潜在的AR和MA模型

现在,让我们创建自相关因子(ACF)和部分自相关因子(PACF)图来识别上述数据中的模式,这些模式在均值和方差上都是固定的。该想法是识别残差中AR和MA组分的存在。以下是生成ACF和PACF图的R代码。

因为,在无效区域(虚线水平线)之外的图中有足够的尖峰,我们可以得出结论,残差不是随机的。这意味着AR和MA模型可以提取残差中信息。此外,在滞后12处的残差中存在可用的季节性分量(由滞后12处的尖峰表示)。这是有道理的,因为我们正在分析由于拖拉机销售模式而往往具有12个月季节性的月度数据。

步骤6:确定最佳拟合ARIMA模型

R中的预测包中的自动动态功能有助于我们即时识别最适合的ARIMA模型。以下是相同的代码。请在执行此代码之前在R中安装所需的“预测”包。

ARIMAfit = auto.arima(log10(data), approximation=FALSE,trace=FALSE)

summary(ARIMAfit)

时间序列:log 10(拖拉机销售)最佳版型:ARIMA(0,1,1)(0,1,1)[12] MA1SMA1系数:-0.4047-0.5529SE0.08850.0734对数似然= 354.4AIC = -702.79AICC = -702.6BIC = -694.17

基于Akaike信息准则(AIC)和贝叶斯信息准则(BIC)值选择最佳拟合模型。我们的想法是选择具有最小AIC和BIC值的模型。我们将在下一篇文章中探讨有关AIC和BIC的更多信息。在R中开发的最佳拟合模型的AIC和BIC值显示在以下结果的底部:

正如预期的那样,我们的模型具有等于1的I(或积分)分量。这表示阶数1的差分。在上述最佳拟合模型中存在滞后12的附加差分。此外,最佳拟合模型具有1阶的MA值。此外,存在具有阶数1的滞后12的季节性MA。

第6步:使用最合适的 ARIMA模型预测销售情况

下一步是通过上述模型预测未来3年(即2015年,2016年和2017年)的拖拉机销量。以下R代码为我们完成了这项工作。

par(mfrow = c(1,1))

lines(10^(pred$pred-2*pred$se),col='orange')

以下是拖拉机销售预测值为蓝色的输出。此外,预测误差的范围(即标准偏差的2倍)在预测蓝线的两侧显示橙色线。

现在,长达3年的预测是一项雄心勃勃的任务。这里的主要假设是时间序列中的下划线模式将继续保持与模型中预测的相同。短期预测模型,比如几个营业季度或一年,通常是一个合理准确的预测。像上述那样的长期模型需要定期评估(比如6个月)。我们的想法是将可用的新信息与模型中的时间推移相结合。

步骤7:为ACIM和PACF绘制ARIMA模型的残差

最后,让我们创建一个ACF和PACF的最佳拟合ARIMA模型残差的图,即ARIMA(0,1,1)(0,1,1)[12]。以下是相同的R代码。

pacf(ts(ARIMAfit$residuals),main='PACF Residual')

由于ACF和PACF图的无效区域之外没有尖峰,我们可以得出结论,残差是随机的。

本文分享自微信公众号 - 拓端数据部落(tecdat),作者:TRL 拓端研究室

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-07-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • R语言中的时间序列分析模型:ARIMA-ARCH / GARCH模型分析股票价格

    时间序列分析是统计学中的一个主要分支,主要侧重于分析数据集以研究数据的特征并提取有意义的统计信息来预测序列的未来值。时序分析有两种方法,即频域和时域。前者主要基...

    拓端
  • python3用ARIMA模型进行时间序列预测

    ARIMA是首字母缩写词,代表自动回归移动平均。它是一类模型,可在时间序列数据中捕获一组不同的标准时间结构。

    拓端
  • Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测

    使用ARIMA模型,您可以使用序列过去的值预测时间序列。在本文中,我们从头开始构建了一个最佳ARIMA模型,并将其扩展到Seasonal ARIMA(SARIM...

    拓端
  • 确保供应链安全的八个要求

    将供应链安全视为组织内部的事情,这是一个非常局限且危险的假设。Tripwire 的产品管理与策略副总裁 Tim Erlin 表示“当考虑保护供应链安全时,必须同...

    FB客服
  • 如何解决90%的NLP问题:逐步指导

    无论您是成熟公司还是致力于推出新服务,您始终可以利用文本数据来验证,改进和扩展产品的功能。从文本数据中提取意义和学习的科学是一个活跃的研究主题,称为自然语言处理...

    银河1号
  • 如何解决90%的NLP问题:逐步指导

    无论您是成熟公司还是致力于推出新服务,您始终可以利用文本数据来验证,改进和扩展产品的功能。从文本数据中提取意义和学习的科学是一个活跃的研究主题,称为自然语言处理...

    银河1号
  • 【学术】手把手教你解决90%的自然语言处理问题

    无论你是成熟的公司,还是想要推出一个新服务,都可以利用文本数据来验证、改进和扩展产品的功能。科学的从文本数据中提取语义并学习是自然语言处理(NLP)研究的一个课...

    AiTechYun
  • 仁和药业:拨开供应链现状迷雾,实现业务效率高增长

    中国医药行业在过去近20年的时间里历经了高速粗犷发展、政策红利驱动、医药体制变革导致发展变缓三个阶段。而目前,随着医药行业的监管变化,国内知名医药公司—仁和药业...

    数商云
  • 【设计模式系列】行为型之模板模式

    1.模板模式:定义一个操作算法中的框架,而将这些步骤延迟加载到子类中。 模板方法模式使得子类可以不改变一个算法的结构即可重定义该算法的某些特定步骤;

    沁溪源
  • Facebook 开源 CV 开发平台 Detectron,打包支持各种物体识别算法

    Facebook 人工智能实验室今日宣布开源自己的顶级物体检测研究平台 Detectron,为广大研究人员们未来的新计算机视觉研究课题提供灵活、快速的模型实现和...

    AI研习社

扫码关注云+社区

领取腾讯云代金券