建立滚动平均预测

Question

我有一系列称为零件的间歇性需求（下面的示例），我想开发训练集和测试集的滚动平均预测。我的代码也在下面。系列 fitmean 计算滚动平均值，但有两个问题：

当我真正想要的是获得 12 的滚动平均值时，它添加了第 13 个元素；并且，
日期从 2016 年 6 月到 2017 年 6 月，所以当我减去 testparts 时，我只得到 2017 年 1 月到 6 月的 6 个值。

有没有办法 (1) 删除 fitmean 末尾的第 13 个元素，以及 (2) 更改日期以便它们与 testparts 匹配？

谢谢。

library(forecast,zoo)
parts<-matrix(c(0,0,0,0,0,0,2,0,0,0,0,0,3,0,0,0,0,0,1,0,0,7,0,0),nrow=24,ncol=1)
parts<-ts(parts,f=12,start=c(2016,1))
maemean<-matrix(NA,nrow=12,ncol=1)
  trainparts<-window(parts,end=c(2016,12))
  testparts<-window(parts,start=c(2017,1),end=c(2017,12))
  fitmean<-round(rollapply(parts, width=12, by = 1, FUN = mean))
  maemean<-abs(fitmean-testparts)

Jan-16  0
Feb-16  0
Mar-16  0
Apr-16  0
May-16  0
Jun-16  0
Jul-16  2
Aug-16  0
Sep-16  0
Oct-16  0
Nov-16  0
Dec-16  0
Jan-17  3
Feb-17  0
Mar-17  0
Apr-17  0
May-17  0
Jun-17  0
Jul-17  1
Aug-17  0
Sep-17  0
Oct-17  7
Nov-17  0
Dec-17  0

澄清：

上面的列表应该分解为从 1 月 16 日到 12 月 16 日的训练集和从 1 月 17 日到 12 月 17 日的测试集。我想做的是使用滚动平均值，因此 Jan-16 到 Dec-16 的平均值（四舍五入，即 0）成为 Jan-17 的预测，依此类推，即 Feb-16 到 Jan-17，等等。输出应该是这样的

Jan-17  0
Feb-17  0
Mar-17  0
Apr-17  0
May-17  0
Jun-17  0
Jul-17  0
Aug-17  0
Sep-17  0
Oct-17  0
Nov-17  1
Dec-17  1

不幸的是，我用 13 副 12 元素得到这个。

     Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2016                       0   0   0   0   0   0   0
2017   0   0   0   1   1   1

Answer 1

1) width = list(...) 从问题中删除所有不相关的代码并更改 rollapply 行我们有这个 -seq(12) 是一个偏移向量，指示 rollapply 通过第一个先验值、第二个先验值、...第十二个先验值来表示每个点。

library(zoo)

# test data
parts <- matrix(c(0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 3, 0, 0, 0, 0, 0, 1, 0, 0, 7, 0, 0), 
  nrow = 24, ncol = 1)
parts <- ts(parts, freq = 12, start = c(2016, 1))

round(rollapply(parts, list(-seq(12)), FUN = mean))

给予：

     Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
2017   0   0   0   0   0   0   0   0   0   0   1   1

2) rollsumr 另一种方法是取宽度为 13 的滚动总和，然后减去当前值并除以 12：

round((rollsumr(parts, 13) - parts) / 12)
##      Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2017   0   0   0   0   0   0   0   0   0   0   1   1

建立滚动平均预测

Building a rolling mean forecast

r

time-series

zoo

rollapply

rolling-computation