forecasting

    1熱度

    1回答

    無法在預測包中找到forecast.Arima函數。顯示「forecast.Arima」未找到錯誤。可以使用預測函數來代替'forecast.Arima'函數嗎?我正在使用預測8.1。其次,ARIMA的產出在未來日期的平均水平是平穩的。這是因爲我正在使用「預測」功能。 庫(預測) arima.forecast <- forecast(arima1, h=30)

    1熱度

    1回答

    我在R中使用forecast包,我想知道auto.arima函數正在經歷哪些模型列表,以便決定哪個ARIMA模型最適合。有沒有一種方法可以提取所有正在測試的模型的列表,以確保它不會丟失任何東西,或者它不是一個黑匣子? 下面是一個例子: library(forecast) fit <- auto.arima(WWWusage) fit Series: WWWusage ARIMA(1,1,

    1熱度

    1回答

    從1978年到2017年,製造業的工作數量有一個時間序列。我想用徑向基神經網絡來預測兩年內的工作崗位數量。可能嗎?如果是這樣,你能否用R語言編寫代碼?非常感謝!我寫到這裏的一些代碼:數據 install.packages("RSNNS") library(RSNNS) data <- read.csv("jobs.csv",header = TRUE) tsA01 <- ts(data

    5熱度

    1回答

    我使用R中的HoltWinters預測軟件包根據每月通話量數據生成預測。 它在大多數情況下運作良好,但有過度使用數據的趨勢,特別是在有特殊時期的情況下,例如呼叫需求的階躍變化。 在最近的一個例子中,中間集alpha的階躍變化爲0.94,beta爲0,gamma爲0,這會產生奇怪的預測。 Month Data 1 7082 2 6407 3 5479 4 5480 5 5896 6 60

    1熱度

    1回答

    我試圖使用forecast.holtwinters功能,當我嘗試運行它: dftimeseriesforecast <- forecast.HoltWinters(data, h=65) 我得到這個錯誤: 錯誤:無法發現功能 「forecast.HoltWinters」 我也試過這樣: dftimeseriesforecast= forecast::forecast.HoltWinters(d

    0熱度

    1回答

    我有2013年2月18日至2017年2月12日之間的日常銷售數據,只有4天的數據丟失(每年25日的所有Xmases)。這些假期的銷售量爲零。 我的目的是通過短期預測未來5-7天數據的銷售情況,瞭解如何爲即將到來的一週內的店鋪提供服務。 我開始用這個數據建立的時間序列:通過分解 ts <- ts(mydata, frequency = 365) ,然後進行初步分析: 這似乎表明我有一個下降銷售趨

    0熱度

    3回答

    我使用多種時間序列模型,如ARIMA,holtwtwitter,prophet。現在我想要做所有這些的合奏併產生結果。我需要建議什麼是在時間序列上應用合奏的最佳方式。請幫忙。我對此很陌生。

    -1熱度

    1回答

    我試圖執行一個SALESDATA配合診斷缺少對象的值使用的預報 acf(SalesDataFC$residuals) 但是我得到一個錯誤: salesDataFC$residuals Jan Feb Mar Apr May 2012 NA NA NA NA NA 2013 1.00454060 0.74436890 0.59266194 0.53535119 0.18

    0熱度

    1回答

    數據是這樣的: df <- tribble( ~y,~timestamp 18.74682, 1500256800, 19.00424, 1500260400, 18.86993, 1500264000, 18.74960, 1500267600, 18.99854, 1500271200, 18.85443, 150

    0熱度

    1回答

    我需要知道我的殘差是否相關。我沒有找到在Databricks上使用Spark-Scala的方法。 而我的結論是,我應該將我的項目導出到R使用acf function。 有人知道在Databricks上使用Spark-Scala的技巧嗎? 對於那些需要更多信息的人:我目前正在進行銷售預測。我使用了不同的功能的迴歸森林。然後,我需要評估我的預測質量。爲了檢查這一點,我讀了這paper殘差是一個很好的方