应用时间序列法预测收入

作者：黎湘艳 数据驱动游戏 2020-01-16

每年快到年末的时候，我都会做一件事情：预估新的一年的数据，包含收入、人数、费用、利润等等。

针对不同的游戏、不同的用户，不同的历史数据规律，所采取的预估方法各不相同。本篇跟大家分享其中一种方法：用时间序列方法预估未来收入。

一、时间序列定义及特点

时间序列简单的说就是各时间点上形成的数值序列，时间序列分析就是通过观察历史数据预测未来的值。

时间序列中的时间因素，可以是小时、天、周、月、年，或任何固定的时间间隔，依据具体的业务场景而定。

时间序列数据用于描述现象随时间发展变化的特征，一般地，时间序列预测法具有如下的三个基本特点：

(1)假设事物发展趋势会延伸到未来;

(2)预测所依据的数据具有不规则性;

(3)不考虑事物发展之间的因果关系;

二、时间序列预测步骤

时间序列含有不同的成分，如趋势、季节性、周期性和随机性等。对于一个具体的时间序列，它可能含有上述中的一种成分，也可能同时含有几种成分，含有不同成分的时间序列所用的预测方法是不同的。预测步骤：

第一步：确定时间序列所包含的成分，确定时间序列的类型。

第二步：找出适合此类时间序列的预测方法。

第三步：对可能的预测方法进行评估，以确定最佳预测方案。

第四步：利用最佳预测方案进行预测。

三、实例

R语言、python、spss、EXCEL均能做时间序列分析，本篇将介绍常用的R语言时间序列ARIMA模型进行预测，具体步骤如下：

1、安装forecast包

forecast包是一个封装的ARIMA统计软件包，在默认情况下，R没有预装forecast包，因此需要先安装该包

install.packages("forecast")

2、导入forecast包

library(forecast)

3、导入原始数据

此处虚拟了一组收入数据，从2017年开始以月为单位的收入数据，共有36条。


4、识别模型

4.1查看趋势图



4.2绘制时间序列图

由上图可见，该序列还不平稳，先做一次Log平滑，再做一次二阶差分：



4.3使用decompose函数对数据进行分解

可分成季节部分、趋势部分、随机部分三种



4.4 参数估计

auto.arima提供的最佳模型为ARIMA(0,1,1)(0,0,1)[12]，我们可以同时测试两个模型，看看哪个更适合。



说明：在对该序列进行差分前，此处省略了查看ACF和PACF。

5、预测2020年每月收入

5.1根据auto.arima提供的最佳模型，选择ARIMA(0,1,1)来预估




5.2根据auto.arima提供的最佳模型，选择ARIMA(0,0,1)来预估



显然，使用第二个模型参数预估的结果不符合整体的规律，因此将第一个预测结果作为本次的预估收入，即下图的蓝色曲线为预测结果。


四、总结：

时间序列预测法其实是一种回归预测方法，属于定量预测。

基本原理是：一方面承认事物发展的延续性，运用过去时间序列的数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到偶然因素影响而产生的随机性，为了消除随机波动的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。


作者：黎湘艳  
来源：数据驱动游戏
原地址：https://mp.weixin.qq.com/s/l9J3VitvfwdTMpRXxx0X4Q

参与评论