Je construis un modèle de prévision de série chronologique. Les données que j'ai ont une «quantité» variable qui est le coût du fret pour le matériel transporté. J'ai 10 ans de données dans le format mensuel. Le défi ici est le montant de la facture de fret d'un mois ne reflète pas nécessairement le montant facturé pour les matériaux transportés dans ce mois seulement. Parfois, les matériaux sont transportés en fragments et sont chargés dans les 2-3 prochains mois et ces factures deviennent étonnamment élevées perturbant le modèle de séries temporelles de façon aléatoire. Par exemple, si j'ai le projet de loi de mars 2017, il pourrait aussi y avoir un montant de janvier et février. J'ai essayé ARIMA et obtenu un MAPE de 40%. J'ai essayé la méthode de Croston et MAPE varie de 23% à 32%. Est-ce qu'une prévision de fenêtre mobile aiderait ici? Ou toute autre suggestion, s'il vous plaît.Meilleure approche pour la prévision dans ce cas typique
Édition 1 - J'ai ajouté l'ensemble de données (Année 2008 - 2016). J'ai réussi à obtenir des données sur les revenus mensuels de mon professeur. Donc, j'ai essayé le modèle bivarié en utilisant la fonction TSLM qui m'a donné R-carré de 67%. C'est beaucoup plus bas que ce à quoi il s'attend.
yearmon Paid.Amount revenue
8-Jan 1936599.88 2937700
8-Feb 1844486.91 3074900
8-Mar 1735122.05 3690000
8-Apr 1279519.88 3097700
8-May 1539967.05 3077100
8-Jun 1231146.36 3352300
8-Jul 1162991.84 2400600
8-Aug 1263879.69 3050000
8-Sep 1244323 3899200
8-Oct 1424559.93 3533000
8-Nov 898217.92 2723400
8-Dec 1085732.89 4055400
9-Jan 1029221.93 2486600
9-Feb 876441.65 2101400
9-Mar 880441.37 2998400
9-Apr 722948.96 1996500
9-May 958005.43 1807400
9-Jun 610958.71 2332300
9-Jul 695254.7 2280900
9-Aug 756439.4 2020500
9-Sep 926815.65 3231500
9-Oct 924445.94 2294200
9-Nov 830403.35 2782700
9-Dec 925630.38 3246000
10-Jan 700777.04 2135400
10-Feb 548469.87 1962800
10-Mar 696256.42 2641700
10-Apr 695798.95 2025700
10-May 704871.44 1996500
10-Jun 728251.49 2590600
10-Jul 664962.06 1984500
10-Aug 727306.82 2421300
10-Sep 720462.6 3084000
10-Oct 999328.49 2874300
10-Nov 950702.54 3069200
10-Dec 984782.65 3704600
11-Jan 864608.73 2976800
11-Feb 711251.25 2981700
11-Mar 1145917.13 3552500
11-Apr 844124.97 2684600
11-May 865543.97 2667900
11-Jun 883278.98 2707300
11-Jul 834070.34 2493400
11-Aug 1116866.09 3023300
11-Sep 1151143.55 3581100
11-Oct 1351395.01 3217800
11-Nov 1118297.76 3239000
11-Dec 1374179.71 4637800
12-Jan 989117.07 3313000
12-Feb 927470.54 2530600
12-Mar 1069185.01 3496500
12-Apr 1009312.54 2403000
12-May 1022559.87 2638500
12-Jun 961677.71 3246000
12-Jul 834523.02 2272300
12-Aug 1081960.39 2886000
12-Sep 1107927.72 3890100
12-Oct 1093140.22 2682100
12-Nov 1310195.61 3292000
12-Dec 1344106.8 4960100
13-Jan 1030537.47 3114800
13-Feb 911014.19 3121300
13-Mar 930071.08 3490900
13-Apr 890881.25 2542800
13-May 876954.67 2354800
13-Jun 915720.02 3382700
13-Jul 908514.48 2310000
13-Aug 1043391.95 3087300
13-Sep 1093640.35 3869300
13-Oct 1197865.65 3170800
13-Nov 1216958.3 3875300
13-Dec 1461027.39 5801000
14-Jan 1242969.8 2970300
14-Feb 1054214.44 3595300
14-Mar 1171459.28 4012800
14-Apr 990720.44 2916700
14-May 891504.63 2794200
14-Jun 936850.28 3501000
14-Jul 985009.09 2689100
14-Aug 1229039.59 3199000
14-Sep 1272825 4605200
14-Oct 1274631.05 3649500
14-Nov 1493390.61 4171600
14-Dec 1810523.68 6043700
15-Jan 1225779.44 3526300
15-Feb 1066156.45 3374900
15-Mar 1158659.52 4141200
15-Apr 1085067.52 3058800
15-May 1243264.14 2932700
15-Jun 1375846.69 3581800
15-Jul 1230235.200
15-Aug 1242221.75 3348200
15-Sep 1372310.27 4443200
15-Oct 1489968.27 3254200
15-Nov 1520498.52 4086200
15-Dec 1873884.03 7100500
16-Jan 1225046.91 2922600
16-Feb 1169703.36 3314600
16-Mar 1345611.1 4597900
16-Apr 1182650.19 3057000
16-May 1368704.21 3599400
16-Jun 1485036.6 4292300
16-Jul 1194201.57 3189600
16-Aug 1378889.12 3289200
16-Sep 1533056.53 4666700
16-Oct 1398696.43 3837600
16-Nov 1742668.73 4234900
16-Dec 2162712.41 6418700
J'apprécierais grandement que quelqu'un puisse suggérer une meilleure approche pour prédire le montant payé.
Merci.
J'aime paquet de prévisions de Hyndman. Il gère bien les données et fournit une série d'options de prévision et de graphiques correspondants. –
Postez votre groupe de données –
@TomReilly - J'ai mis à jour la question et j'ai l'ensemble de données. Dans l'attente de votre suggestion basée sur l'ensemble de données. –