基于Python的holtwiners多季节预报

Question

我的数据：我有两个季节性的模式在我的小时数据。。。每天和每周。例如。。。我的数据集中的每一天，基于一天中的每一小时，其形状大致相同。然而，某些日子，比如周六和周日，我的数据会增加，每小时的形状也会略有不同。在

（使用霍尔特·温特斯，正如我在这里发现的：https://gist.github.com/andrequeiroz/5888967）

我运行了这个算法，每个季度用24个周期，预测出7个季节（1周），我发现它会高估工作日，低估周末，因为它是根据星期五曲线而不是星期五曲线和星期六（t-1）曲线的组合来估计星期六曲线的。什么是在我的数据中包括第二周期的好方法，比如24和7？我应该用他们的不同算法吗？在

Answer 1

一个很明显的解释不同形状的方法是只使用一种周期，但要使它的周期为7*24，这样你就可以把整个星期作为一个单一的形状来预测。在

你试过从线性回归中预测出的线性回归值是哪一个？最简单的解释例子是trend plus只提供每日的贡献。那你就可以

Y=X*t+c+A*D1+B*D2+。。。F*D6（+噪音）

这里你用线性回归来找出X，c，A的最佳拟合值，F。t是时间，向上计数0，1，2，3，。。。无限期的，所以X的拟合值给你一个趋势。c是一个常量，所以它将所有预测的y向上或向下移动。D1在星期二设为1，否则为0；D2在星期三设为1，否则为0。。。D6在星期天设置为1，否则设置为0，因此A..F条件为除星期一以外的其他日子提供供款。我们没有把一个项用于周一，因为如果我们这样做了，我们就无法区分c项-如果你在c上加1，然后从a.F中减去一个，那么预测值将保持不变。在

希望您现在可以看到，我们可以添加23个术语来说明一个形状在每天的24小时内，以及总共46个术语来解释一个形状在每个工作日的24小时和每个周末的不同24小时。在

最好寻找一个统计包来处理这个问题，比如free R包（http://www.r-project.org/）。它确实有一点学习曲线，但你可能会找到一些书或文章带你通过使用它来进行这种预测。在

无论你做什么，我都会根据你的历史数据不断检查预测方法——人们发现，在实践中，最准确的预测方法通常都非常简单。在