Как преобразовать код временного ряда в автоматизированный код для использования в нескольких временных рядах?

Question

Я хочу преобразовать свой код временного ряда для одного временного ряда в автоматический код, который можно использовать для данных нескольких временных рядов (мои данные содержат месячные временные ряды).Мой общий подход для одного временного ряда состоял в том, чтобы убрать сезонную составляющую и использовать первые различия для достижения стационарности.Затем я использую auto.arima для получения параметров ARIMA.Я использую эти параметры для построения моей модели ARIMA с моими исходными данными временных рядов.Затем я прогнозирую и сравниваю с фактическими данными за 4 месяца (которые я вырезал ранее) и вычисляю СКО.Поскольку я не могу использовать свои фактические данные, я просто генерирую случайные временные ряды и набор тестов в качестве примера - конечно, результат не имеет особого смысла.

library('forecast')
set.seed(123)

# create random time series and 4 months testing data
ts <- ts(runif(26, min = 50, max = 3000), start = c(2017,01), end = c(2019,02), frequency = 12)
test.data <- runif(4, min = 50, max = 3000)

# Decomompose
comp.ts = decompose(ts)

# subtrect seasonal trend
ts2 <- ts - comp.ts$seasonal
ts2 <- diff(ts2, differences=1)

auto.arima(ts2, trace = T, seasonal = TRUE,ic = 'aicc', max.p = 10,max.q = 10,max.P = 10,max.Q = 10,max.d = 10, stepwise = F)

# Use auto.arima outcome as input
my.arima <- Arima(ts2, order=c(0,0,0),seasonal = list(order = c(0,1,0), period = 12),method="ML", include.drift = F)
# Forecast and calculate RMSE
data.forecast <- forecast(my.arima, h=4, level=c(99.5))
my.difference <- test.data - data.forecast$mean
my.rmse <- (sum(sqrt(my.difference^2)))/length(my.difference)

Поскольку мой фактический набор данных содержит более 500 временных рядов, мне нужно автоматизировать весь процесс.К сожалению, я пока не использовал R для временных рядов, поэтому у меня возникают проблемы с автоматизированным процессом.

Давайте предположим, что 4 случайных временных ряда с 4 случайными наборами тестов.Как я могу сгенерировать автоматизированный процесс для этих временных рядов (который я также могу использовать для своих фактических 500+ временных рядов), который делает то же самое, что и выше?

ts1 <- ts(runif(26, min = 50, max = 3000), start = c(2017,01), end = c(2019,02), frequency = 12)
ts2 <- ts(runif(26, min = 50, max = 3000), start = c(2017,01), end = c(2019,02), frequency = 12)
ts3 <- ts(runif(26, min = 50, max = 3000), start = c(2017,01), end = c(2019,02), frequency = 12)
ts4 <- ts(runif(26, min = 50, max = 3000), start = c(2017,01), end = c(2019,02), frequency = 12)
test.data1 <- runif(4, min = 50, max = 3000)
test.data2 <- runif(4, min = 50, max = 3000)
test.data3 <- runif(4, min = 50, max = 3000)
test.data4 <- runif(4, min = 50, max = 3000)

Спасибо за помощь!

Answer 1

Просто поместите ваш рабочий процесс в функцию.

serialArima <- function(ts, test.data) {
  library(forecast)
  # Decomompose
  comp.ts=decompose(ts)

  # subtrect seasonal trend
  ts2 <- ts - comp.ts$seasonal
  ts2 <- diff(ts2, differences=1)

  auto.arima(ts2, trace=T, seasonal=TRUE, ic='aicc', max.p=0, max.q=0, max.P=0,
             max.Q=0, max.d=0, stepwise=F)

  # Use auto.arima outcome as input
  my.arima <- Arima(ts2, order=c(0, 0, 0),
                    seasonal=list(order=c(0, 1, 0), period=2), 
                    method="ML", include.drift=F)
  # Forecast and calculate RMSE
  data.forecast <- forecast(my.arima, h=4, level=c(99.5))
  my.difference <- test.data - data.forecast$mean
  my.rmse <- (sum(sqrt(my.difference^2)))/length(my.difference)
  return(list(data.forecast=data.forecast, my.difference=my.difference, my.rmse=my.rmse))
}

Единственное приложение

serialArima(ts, test.data)
# ARIMA(0,0,0)           with zero mean     : 82.45803
# ARIMA(0,0,0)           with non-zero mean : 88.13593
# 
# 
# 
# Best model: ARIMA(0,0,0)           with zero mean     
# 
# $data.forecast
# Point Forecast   Lo 99.5  Hi 99.5
# 2020.00      -349.1424 -2595.762 1897.477
# 2020.50       772.6014 -1474.018 3019.221
# 2021.00      -349.1424 -3526.342 2828.057
# 2021.50       772.6014 -2404.598 3949.801
# 
# $my.difference
# Time Series:
#   Start = c(2020, 1) 
# End = c(2021, 2) 
# Frequency = 2 
# [1] 1497.2446  840.4139 2979.4553  993.5614
# 
# $my.rmse
# [1] 1577.669

Несколько приложений

Map(serialArima, list(ts1, ts2, ts3, ts4), 
    list(test.data1, test.data2, test.data3, test.data4))