прогноз ARIMA по идентификатору после нахождения параметров в данных поезда - PullRequest
Новая
       123

прогноз ARIMA по идентификатору после нахождения параметров в данных поезда

0 голосов
/ 02 августа 2020
• 1000 используя данные за 2018 год. Это образец моих данных: 
library(yardstick)
    library(forecast)
    library(tsibble)
    df<-tibble::tribble(
      ~ID, ~Period,  ~Value,
      1L, 201801L,   7713L,
      1L, 201802L,   4506L,
      1L, 201803L,  24475L,
      1L, 201804L,  12418L,
      1L, 201805L,  14545L,
      1L, 201806L,  14233L,
      1L, 201807L,   1271L,
      1L, 201808L,  19064L,
      1L, 201809L,   3018L,
      1L, 201810L,  13291L,
      1L, 201811L,  47111L,
      1L, 201812L,  16961L,
      1L, 201901L,  32442L,
      1L, 201902L,  16861L,
      1L, 201903L,  31819L,
      1L, 201904L,  38759L,
      1L, 201905L,  29220L,
      1L, 201906L,  19786L,
      1L, 201907L,  28620L,
      1L, 201908L,  47736L,
      1L, 201909L,  32586L,
      1L, 201910L,  12347L,
      1L, 201911L,  19758L,
      1L, 201912L,  14669L,
      1L, 202001L,   1499L,
      2L, 201801L,   1660L,
      2L, 201802L,   1857L,
      2L, 201803L,   3221L,
      2L, 201804L,  11009L,
      2L, 201805L,  11945L,
      2L, 201806L,   7152L,
      2L, 201807L,   3201L,
      2L, 201808L,  13226L,
      2L, 201809L,  13568L,
      2L, 201810L,  11952L,
      2L, 201811L,   1276L,
      2L, 201812L,  20049L,
      2L, 201901L,   7576L,
      2L, 201902L,  10370L,
      2L, 201903L,  47760L,
      2L, 201904L,  37809L,
      2L, 201905L,   9232L,
      2L, 201906L,  18635L,
      2L, 201907L,   6548L,
      2L, 201908L,  29065L,
      2L, 201909L,   2225L,
      2L, 201910L,   3613L,
      2L, 201911L,  11113L,
      2L, 201912L,   4626L,
      2L, 202001L,  12083L,
      3L, 201801L,  16850L,
      3L, 201802L,   9559L,
      3L, 201803L,   6727L,
      3L, 201804L,  29877L,
      3L, 201805L,   7453L,
      3L, 201806L,  11100L,
      3L, 201807L,  14289L,
      3L, 201808L,  16686L,
      3L, 201809L,  17925L,
      3L, 201810L,   2381L,
      3L, 201811L,  25015L,
      3L, 201812L,  20258L,
      3L, 201901L,  12875L,
      3L, 201902L,   8534L,
      3L, 201903L,   3880L,
      3L, 201904L,  27034L,
      3L, 201905L,  13624L,
      3L, 201906L,  29521L,
      3L, 201907L,   4933L,
      3L, 201908L,   5963L,
      3L, 201909L,  15193L,
      3L, 201910L,   2960L,
      3L, 201911L,   6150L,
      3L, 201912L,  18957L,
      3L, 202001L, 10326L,
        4L, 201801L,   85837L,
        4L, 201802L,   90903L,
        4L, 201803L,  110829L,
        4L, 201804L,   67992L,
        4L, 201805L,  117665L,
        4L, 201806L,  136909L,
        4L, 201807L,  -23708L,
        4L, 201808L,  196362L,
        4L, 201809L,  -28869L,
        4L, 201810L,  114243L,
        4L, 201811L,  113408L,
        4L, 201812L,   18932L,
        4L, 201901L,  254189L,
        4L, 201902L, -151225L,
        4L, 201903L,  103182L,
        4L, 201904L, -242319L,
        4L, 201905L,  111250L,
        4L, 201906L,  449959L,
        4L, 201907L,  105185L,
        4L, 201908L,  103575L,
        4L, 201909L,  214451L,
        4L, 201910L,   99015L,
        4L, 201911L,  280420L,
        4L, 201912L,  -15325L,
        4L, 202001L,  199340L
        )
    
    
    df$year<-as.numeric(substr(df$Period,start = 1,stop = 4))
    df$month<-as.numeric(substr(df$Period,start=5,stop=6))
    df$day<-1

Некоторые способы использования ARIMA из библиотеки fable: 

df <- df %>% 
  mutate(date=as.character(make_date(year,month,day))) 

df<-df %>% 
  mutate(YearMonth = tsibble::yearmonth((ymd(date)))) %>%
  as_tsibble(key=ID,index = YearMonth)

df_train<- df %>% 
  filter(YearMonth <= yearmonth("2018 Dec") & YearMonth>=yearmonth("2018 Jan")) %>%
  model(selected_model=ARIMA(Value ~ PDQ(0,0,0), stepwise=FALSE, approximation=FALSE))

Я сохраняю параметры с картой: 

PDQ<-df_train$selected_model %>%
map_df(~.x$fit$spec)

# A tibble: 4 x 8
#      p     d     q     P     D     Q constant period
#  <int> <int> <int> <dbl> <dbl> <dbl> <lgl>     <dbl>
#1     0     0     0     0     0     0 TRUE         12
#2     0     0     0     0     0     0 TRUE         12
#3     0     0     0     0     0     0 TRUE         12
#4     2     0     0     0     0     0 TRUE         12

И некоторые показатели: 

df_train %>%
  forecast(h = 13) %>%
  accuracy(df) %>%
  select(ID, RMSE, MAPE)

Например, для идентификатора nª1 у него есть ARIMA (0,0,0), а для идентификатора nº4 - ARIMA (2,0,0).

Теперь мне нужно использовать параметры каждого идентификатора для каждого временного ряда.

Я не знаю, как сделать это через идентификаторы и использовать значения pdq, или если есть функция, которая может быть полезно для этой проблемы. Кто-нибудь знает как это решить? Спасибо!

...