Dự báo chuỗi thời gian đa biến với bộ dữ liệu 3 tháng

Tôi có 3 tháng dữ liệu (mỗi hàng tương ứng với mỗi ngày) được tạo và tôi muốn thực hiện phân tích chuỗi thời gian đa biến cho cùng:

các cột có sẵn là -

Date    Capacity_booked Total_Bookings  Total_Searches  %Variation

Mỗi Ngày có 1 mục trong tập dữ liệu và có 3 tháng dữ liệu và tôi muốn điều chỉnh mô hình chuỗi thời gian đa biến để dự báo các biến khác.

Cho đến nay, đây là nỗ lực của tôi và tôi đã cố gắng đạt được điều tương tự bằng cách đọc các bài báo.

Tôi làm giống vậy -

df['Date'] = pd.to_datetime(Date , format = '%d/%m/%Y')

data = df.drop(['Date'], axis=1)

data.index = df.Date

from statsmodels.tsa.vector_ar.vecm import coint_johansen
johan_test_temp = data
coint_johansen(johan_test_temp,-1,1).eig



#creating the train and validation set
train = data[:int(0.8*(len(data)))]
valid = data[int(0.8*(len(data))):]

freq=train.index.inferred_freq

from statsmodels.tsa.vector_ar.var_model import VAR

model = VAR(endog=train,freq=train.index.inferred_freq)
model_fit = model.fit()


# make prediction on validation
prediction = model_fit.forecast(model_fit.data, steps=len(valid))

cols = data.columns

pred = pd.DataFrame(index=range(0,len(prediction)),columns=[cols])
    for j in range(0,4):
        for i in range(0, len(prediction)):
           pred.iloc[i][j] = prediction[i][j]

Tôi có một bộ xác nhận và bộ dự đoán. Tuy nhiên, dự đoán là cách tồi tệ hơn dự kiến.

Các lô của bộ dữ liệu là - 1.% Biến đổi

2. Dung lượng_Booked

3. Tổng số đặt và tìm kiếm

Đầu ra mà tôi đang nhận là -

Khung dữ liệu dự đoán -

Khung dữ liệu xác nhận -

Như bạn có thể thấy rằng các dự đoán đang tắt đi những gì được mong đợi. Bất cứ ai có thể tư vấn một cách để cải thiện độ chính xác. Ngoài ra, nếu tôi phù hợp với mô hình trên toàn bộ dữ liệu và sau đó in dự báo, thì sẽ không tính đến việc tháng mới đã bắt đầu và do đó để dự đoán như vậy. Làm thế nào mà có thể được kết hợp ở đây. bất kỳ trợ giúp được đánh giá cao.

BIÊN TẬP

Liên kết đến tập dữ liệu - Bộ dữ liệu

Cảm ơn

Một cách để cải thiện độ chính xác của bạn là xem xét tự động tương quan của từng biến, như được đề xuất trong trang tài liệu VAR:

https://www.statsmodels.org/dev/vector_ar.html

Giá trị tự tương quan càng lớn đối với độ trễ cụ thể, độ trễ này sẽ hữu ích hơn cho quy trình.

Một ý tưởng hay khác là tìm đến tiêu chí AIC và tiêu chí BIC để xác minh tính chính xác của bạn (cùng một liên kết ở trên có một ví dụ về cách sử dụng). Các giá trị nhỏ hơn chỉ ra rằng có một xác suất lớn hơn mà bạn đã tìm thấy công cụ ước tính thực sự.

Bằng cách này, bạn có thể thay đổi thứ tự của mô hình tự phát và xem mô hình cung cấp AIC và BIC thấp nhất, cả hai được phân tích cùng nhau. Nếu AIC chỉ ra mô hình tốt nhất có độ trễ là 3 và BIC chỉ ra mô hình tốt nhất có độ trễ là 5, bạn nên phân tích các giá trị 3,4 và 5 để xem mô hình nào có kết quả tốt nhất.

Kịch bản tốt nhất sẽ có nhiều dữ liệu hơn (vì 3 tháng là không nhiều), nhưng bạn có thể thử các phương pháp này để xem nó có giúp ích không.