python - 用于 Python 中多季节预测的 Holt-Winters

Question

我的数据:我的每小时数据有两种季节性模式……每日和每周。例如......我数据集中的每一天根据一天中的小时具有大致相同的形状。然而，某些日子，如周六和周日，我的数据有所增加，而且每小时的形状也略有不同。

(使用 holt-winters，正如我在这里发现的:https://gist.github.com/andrequeiroz/5888967)

我运行算法，每个季节使用 24 个周期，并预测 7 个季节(1 周)，我注意到它会高估工作日而低估周末，因为它根据星期五曲线，而不是星期五曲线和星期六 (t-1) 曲线的组合。什么是在我的数据中包含次要周期的好方法，如 24 和 7？他们是我应该使用的不同算法吗？

Answer 1

考虑不同形状的一种明显方法是只使用一种周期，但使其具有 7*24 的周期，这样您就可以将整个星期预测为一个形状。

您是否尝试过线性回归，其中预测值是线性趋势加上虚拟变量的贡献？要解释的最简单的例子是趋势加上每日贡献。那么你就会有

Y = X*t + c + A*D1 + B*D2 + ... F * D6(+噪音)

在这里，您使用线性回归来找到 X、c 和 A...F 的最佳拟合值。 t 是时间，无限期地向上计数 0、1、2、3...，因此 X 的拟合值为您提供趋势。 c 是一个常数值，因此它会将所有预测的 Y 向上或向下移动。 D1 在星期二设置为 1，否则为 0，D2 在星期三设置为 1，否则为 0... D6 在星期日设置为 1，否则为 0，因此 A..F 条款给出除星期一以外的其他日期的贡献。我们不适合星期一的术语，因为如果我们这样做了，那么我们将无法区分 c 术语 - 如果您将 1 添加到 c 并从每个 A..F 中减去 1，则预测将保持不变。

希望您现在可以看到我们可以添加 23 个项来说明每天 24 小时的形状，总共 46 个项来说明每个工作日的 24 小时和不同的 24 小时的形状每个周末的一天。

您最好寻找一个统计包来为您处理这个问题，例如免费的 R 包 (http://www.r-project.org/)。它确实有一点学习曲线，但您可能会找到一些书籍或文章来指导您使用它进行此类预测。

无论您做什么，我都会根据您的历史数据不断检查预测方法 - 人们发现实践中最准确的预测方法通常出奇地简单。