BSTS模型（在R中）的预测完全失败

在阅读了有关贝叶斯结构时间序列模型的博客文章之后，我想看看在以前使用ARIMA的问题的背景下实现这一点。

我有一些已知的（但嘈杂的）季节性因素的数据-肯定有年度，每月和每周的因素，还有由于特殊日子（例如联邦或宗教假期）而产生的影响。

我使用了该bsts包来实现此目的，据我所知，我并没有做错任何事情，尽管组件和预测看起来并不像我期望的那样。我不清楚我的实现是否错误，不完整或存在其他问题。

全时系列如下所示：

我可以在数据的某些子集上训练模型，并且模型通常在拟合方面看起来不错（图如下）。我用来执行此操作的代码在这里：

library(bsts)

predict_length = 90
training_cut_date <- '2015-05-01'
test_cut_date <- as.Date(training_cut_date) + predict_length

df = read.csv('input.tsv', sep ='\t')

df$date <- as.Date(as.character(df$date),format="%Y-%m-%d")
df_train = df[df$date < training_cut_date,]

yts <- xts(log10(df_train$count), order.by=df_train$date)

ss <- AddLocalLinearTrend(list(), yts)
ss <- AddSeasonal(ss, yts, nseasons = 7)
ss <- AddSeasonal(ss, yts, nseasons = 12)
ss <- AddNamedHolidays(ss, named.holidays = NamedHolidays(), yts)

model <- bsts(yts, state.specification = ss, niter = 500, seed=2016)

该模型看起来很合理：

但是，如果我绘制预测，则首先趋势是完全错误的，其次，不确定性会非常迅速地增长-到了这样的地步，如果不将y轴设为对数，就无法在与预测相同的图中显示不确定性带。规模。这部分的代码在这里：

burn <- SuggestBurn(0.1, model)
pred <- predict(model, horizon = predict_length, burn = burn, quantiles = c(.025, .975))

纯预测看起来像这样：

然后，当缩放到初始分布时（虚线显示从训练到预测的过渡时，问题很明显：

我尝试添加更多的季节性趋势，删除季节性趋势，添加AR术语，将AddLocalLinearModel更改为AddGeneralizedLocalLinearTrend以及其他与调整模型有关的其他事项，但没有任何方法可以解决问题并使预测更有意义。在某些情况下，方向会发生变化，因此预测不会随时间变化而增加，而不会降至0。我绝对不明白为什么模型会以这种方式崩溃。任何建议都将受到欢迎。

史蒂夫·斯科特（Steve Scott）在这里。我写了bsts包。我为您提供一些建议。首先，您的季节性因素没有按照您的预期做。我认为您拥有每日数据，因为您正在尝试添加一个7季组件，该组件应该可以正常运行。但是，您已经告知您的年度季节性因素每12天重复一次。很难获得包含每日数据的每月季节性成分，但是您可以通过进行52周的季节性检查 AddSeasonal(..., nseasons = 52, season.duration = 7)。

该seasonal.duration参数告诉模型每个季节应持续多少时间。该nseasons参数告诉它一个周期中有多少个季节。一个周期中的时间点总数为season.duration * nseasons。

第二个建议是，您可能想考虑一种不同的趋势模型。该LocalLinearTrend模型非常灵活，但是这种灵活性会在长期预测中显示为不期望的方差。还有一些其他趋势模型包含更多结构。 GeneralizedLocalLinearTrend（很抱歉，这种非描述性名称）假定趋势的“斜率”成分是AR1过程，而不是随机游走。如果我想预测未来，这是我的默认选项。您的大多数时间序列变化似乎都来自季节性，因此您可以尝试AddLocalLevel甚至什至AddAr代替AddLocalLinearTrend。

最后，一般来说，如果您得到的预测很奇怪，并且您想弄清楚应归咎于模型的哪一部分，请尝试plot(model, "components")查看将模型分解为您所要求的各个部分。

我认为您也可以更改默认刻录。当我使用bsts时，我以MAPE作为保留期的统计数据创建了燃烧和硝化值的网格。如果您的数据有很大的变化，也可以尝试使用AddStudentLocalLinearTrend，以使模型能够预期到这种变化