进行时间序列预测时的良好做法

我已经进行了几个月的短期负荷预测，并使用气候/天气数据来提高准确性。我具有计算机科学背景，因此，我尝试使用ARIMA模型之类的统计工具避免犯大错和不公平的比较。我想知道您对以下几点的看法：

1. 我同时使用（S）ARIMA和（S）ARIMAX模型来研究天气数据对天气预报的影响，您认为是否还需要使用指数平滑方法？

2. 从头两个星期开始，我有300个每日样本的时间序列，并使用auto.arima R函数（预测软件包）构建的模型进行了提前5天的预测。然后，将另一个样本添加到我的数据集中，然后再次校准模型，然后再进行5天的预测，依此类推，直到可用数据结束。您认为这种操作方式正确吗？

感谢您的建议，尽管我们的工作目标是发表在工程学期刊上的文章，但从统计的角度来看，我想做的尽可能严格。

1. 我认为也应该探索指数平滑模型。指数平滑模型是与ARIMA模型根本不同的模型类别，并且可能在数据上产生不同的结果。

2. 这听起来像是一种有效的方法，并且与Rob Hyndman提出的时间序列交叉验证方法非常相似。

我将汇总每个预测的交叉验证误差（指数平滑，ARIMA，ARMAX），然后使用总体误差来比较这三种方法。

您可能还需要考虑对ARIMA参数进行“网格搜索”，而不是使用auto.arima。在网格搜索中，您将探索Arima模型的每个可能参数，然后使用预测精度选择“最佳”参数。