machine-learning - 时间序列预测: weekly vs daily predictions

Question

我有一些每日时间序列数据。我试图根据历史每日数据集预测 future 3 天。

历史数据显示基于星期几的明确趋势，例如星期一、星期二等。星期一和星期二较高，星期三通常最高，然后在一周的剩余时间内下降。

如果我每月或每周对数据进行分组，我绝对可以看到随着时间的推移呈累加趋势。

我的目标是仅预测接下来的 3 天。我的直觉告诉我采取一种方法，我希望得到一些关于与其他方法相比的优缺点的反馈。

我的直觉告诉我，最好按周或月对数据进行分组，然后预测下周或下个月。假设我通过将历史每周数据加载到 ARIMA、训练、测试并预测下周来预测下周总计。在一周内，每周的每一天通常会占每周总数的 x%。因此，如果周三历史上平均贡献了每周交易量的 50%，而下周我预测为 1000，那么我会预测周三为 500。这是一种常见的方法吗？

或者，我可以将历史每日值加载到 ARIMA 中，进行训练、测试，然后让 ARIMA 预测接下来的 3 天。这里最大的区别在于整个“每周预测”与“每日预测”。

在时间序列预测领域，这是一个常见的争论吗？如果是这样，也许有人可以建议一些我可以在谷歌上搜索的关键词来了解优点/缺点？

另外，当星期几是一个因素时，也许有一个建议的算法可以使用？

预先感谢您的任何回复。丹

Answer 1

这是一个标准的每日时间序列问题，其中存在一周中的某一天的季节性。如果您使用 R，则可以将时间序列设为频率 = 7 的 ts 对象，然后使用 auto.arima()预测包来预测它。任何其他季节性预测方法也可能适用。