具有3个月数据集的多元时间序列预测

我产生了3个月的数据（每一行对应于每一天），并且我想对同一数据执行多元时间序列分析：

可用的列是-

Date    Capacity_booked Total_Bookings  Total_Searches  %Variation

每个Date在数据集中都有1个条目，并且有3个月的数据，我想拟合一个多元时间序列模型来预测其他变量。

到目前为止，这是我的尝试，我尝试通过阅读文章来实现相同目的。

我也一样-

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]

我有一个验证集和预测集。但是，这些预测比预期的要差得多。

数据集的图是-1.％变化

预订人数
预订和搜索总数

我收到的输出是-

预测数据框-

验证数据框-

如您所见，预测与预期的相去甚远。任何人都可以建议提高准确性的方法。另外，如果我将模型拟合到整个数据上然后打印预测，则不会考虑新月份已经开始，因此也就不会进行预测。如何将其合并到此处。任何帮助表示赞赏。

编辑

链接到数据集- 数据集

谢谢

— dper
source

您可以张贴类的性病

— Swarathesh Addanki

@SwaratheshAddanki我将链接添加到问题中的数据集...您可以看一下。

— dper

您可以尝试使用具有“自制”功能的经典机器学习算法。例如，您可以尝试在过去的7天中训练一天的感知器，SVM或随机森林（使用4 * 7功能排成一行）。您还可以考虑上周的同一天（如果要预测星期三，则为星期三）和上个月每个星期三的平均值。也可以使用交叉验证来进行更真实的性能评估

— politinsa

@politinsa可以分享一个例子吗？

— dper

我认为您没有足够的数据来拟合一个好的模型：主要特征似乎是本月底的向下跳跃。我们只能在数据集中看到其中两个跳跃，而仅从两个观察中就不可能了解很多典型跳跃的样子。同样，这几个月的增长看起来足够规律，以至于该模型可以尝试描述这些曲线的形状，但是很少有关于典型月份中这些值将增长多少的信息。鉴于此，“下个月等于上个月”可能是一个很好的模型吗？

— jochen

一种提高准确性的方法是，按照VAR文档页面中的建议，查看每个变量的自相关：

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

对于特定的滞后，自相关值越大，该滞后对过程的作用就越大。

另一个好主意是使用AIC准则和BIC准则来验证您的准确性（上面的同一链接中有一个用法示例）。较小的值表示找到真实估计量的可能性更大。

这样，您可以改变自回归模型的顺序，并查看提供最低AIC和BIC的模型，将两者一起分析。如果AIC指示最佳模型具有3的滞后，而BIC指示最佳模型具有5的滞后，则应分析3,4和5的值以查看具有最佳结果的模型。

最好的方案是拥有更多数据（因为3个月并不多），但是您可以尝试这些方法以查看是否有帮助。

— 达尼洛·纽恩斯（Danilo Nunes）
source