r - R 中包含每日数据的时间序列模型

Question

我有一个包含 2 年日常数据的数据集。数据类型有两个季节性组成部分(每周和每月，即每种类型的日期的行为方式相似，并且每个月的行为方式相同)。让我们忘记每年的假期都有不同的日期。我需要建立一个时间序列模型来预测一两个月的日常数据。我尝试过使用不同参数的 ARIMA，预测变量总是趋于平坦。

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")

我不是这种建模的专家，所以我可能犯了一个基本错误。对此的任何帮助将不胜感激。

BR

托马斯

Answer 1

1)看这个discussion 。使用虚拟变量来估计每月和每周某天的影响，以及搜索异常值、水平变化、时间趋势和每周某天影响的变化(即季节性脉冲) 2)你为什么要记录你的数据？看这个discussion .
3) 发布您的数据，并注明数据来源的日期和国家/地区。