외부 요인을 사용하여 여러 부서의 매출 예측

Question

약 3 년간 다양한 위치에 대한 주간 판매 정보를 얻었습니다. 157 주 동안 정보를 얻었습니다. 또한 매출에 영향을 줄 가능성이있는 외부 요소가 있습니다. 원하는 결과 향후 5 주간의 각 위치에 대한 판매가 다른 독립 요인에 미치는 영향을 고려하여 예측합니다. 여기

은 내 데이터 설정 : 나는 하나의 위치에 대한 코드를 작성하고 여러 위치 및 기타 요인을 개발하고자했다과

https://drive.google.com/file/d/0Bx_EVbbAkrHMcWxFc2ZSb0NTcTg/view?usp=sharing

가 시작합니다.

모든 요소가 판매에 영향을 미치지 않을 수도 있습니다. 판매를위한 중요한 동인을 찾아 예측에 사용하는 것이 좋습니다. 여기

일부 샘플 데이터에 대한 내 코드 (임의)입니다 :

s.date < - C (2011,46) 판매 < - TS (의 mystore의 $ 판매, = s.date를 시작 주파수 = 52)

sales 

Time Series: 
Start = c(2011, 46) 
End = c(2014, 46) 
Frequency = 52 
    [1] 357 429 256 131 497 389 265 360 126 401 205 294 173 121 446 333 142 361 119 
[20] 228 396 386 149 398 333 349 274 269 174 298 115 193 289 468 494 295 440 482 
[39] 328 379 337 491 331 182 279 497 239 434 462 119 167 133 145 251 199 428 472 
[58] 193 448 480 154 244 108 150 173 273 357 277 219 216 211 340 101 192 309 281 
[77] 423 373 135 354 179 459 500 445 259 341 325 167 335 431 322 140 188 430 238 
[96] 299 204 350 120 262 193 433 159 457 216 487 239 242 281 207 440 386 339 490 
[115] 225 223 208 322 279 408 312 168 249 438 242 241 369 214 383 310 487 382 465 
[134] 480 127 394 274 335 369 332 145 210 265 467 115 372 447 270 440 278 122 477 
[153] 353 360 451 309 347 

> fit_sales <- auto.arima(sales) 
> forecast_sales <- forecast(fit_sales,5) 

> summary(forecast_sales) 

Forecast method: ARIMA(0,0,0)(1,0,0)[52] with non-zero mean 

Model Information: 
Series: sales 
ARIMA(0,0,0)(1,0,0)[52] with non-zero mean 

Coefficients: 
     sar1 intercept 
     0.0630 303.2885 
s.e. 0.0969  9.5327 

sigma^2 estimated as 13012: log likelihood=-966.56 
AIC=1939.11 AICc=1939.27 BIC=1948.28 

Error measures: 
         ME  RMSE  MAE  MPE  MAPE  MASE  ACF1 
Training set -0.01696482 114.0691 97.73952 -19.54967 42.19241 0.7709323 0.0365932 

Forecasts: 
     Point Forecast Lo 80 Hi 80 Lo 95 Hi 95 
2014.885  314.8688 168.6833 461.0543 91.29737 538.4402 
2014.904  299.2361 153.0506 445.4216 75.66467 522.8075 
2014.923  299.4252 153.2397 445.6107 75.85377 522.9966 
2014.942  301.8836 155.6981 448.0691 78.31214 525.4550 
2014.962  297.2190 151.0335 443.4045 73.64754 520.7904 

> accuracy(forecast_sales) 


    ME  RMSE  MAE  MPE  MAPE  MASE  ACF1 

Training set -0.01696482 114.0691 97.73952 -19.54967 42.19241 0.7709323 0.0365932 


> plot(forecast_sales) 



> forecast_sales 



    Point Forecast Lo 80 Hi 80 Lo 95 Hi 95 
2014.885  314.8688 168.6833 461.0543 91.29737 538.4402 
2014.904  299.2361 153.0506 445.4216 75.66467 522.8075 
2014.923  299.4252 153.2397 445.6107 75.85377 522.9966 
2014.942  301.8836 155.6981 448.0691 78.31214 525.4550 
2014.962  297.2190 151.0335 443.4045 73.64754 520.7904 

내가 wtether 자동 아리마을 알고 싶어? 내가 변환, 정지 테스트, 차이점에 대한 기본 알고 있어요 (최적화 된 모델을 선택하지만) 그 자체로 계절을 담당하거나하지 않을

트렌드, acf, pacf, white noi 잔여 물에 대한 테스트. 내 경우에 어떻게 구현해야합니까?

내 사례 코드를 도와주세요. 반복 할 필요가 있습니까?

Answer 1

계절성을 고려합니다. 'D'아래 auto.arima의 도움말 페이지를 확인하십시오.

많은 정보가있는 경우 임의의 숲과 같은 다른 예측 방법을 시도해 볼 수도 있습니다. 현재 회사의 4 개월 전부터 예측하고 있으며 시계열 모델은 가까이에 올 수 없습니다. 내 다른 모델들. 저는 오늘 매출액이 무엇인지와 같은 투입물을 사용합니다 - 364. 가격은 얼마입니까? 올해의 달. 그리고 훨씬 더. 나는 auto.arima와 반대로 표준 모델에 더 많은 정보를 얻을 수 있음을 발견했다.

또한이 질문에 대한 포럼이 아닙니다. 나는 당신이 Cross-Validated를 원한다고 생각한다. :).