應用時間序列法預測收入

每年快到年末的時候，我都會做一件事情：預估新的一年的資料，包含收入、人數、費用、利潤等等。

針對不同的遊戲、不同的使用者，不同的歷史資料規律，所採取的預估方法各不相同。本篇跟大家分享其中一種方法：用時間序列方法預估未來收入。

一、時間序列定義及特點

時間序列簡單的說就是各時間點上形成的數值序列，時間序列分析就是通過觀察歷史資料預測未來的值。

時間序列中的時間因素，可以是小時、天、周、月、年，或任何固定的時間間隔，依據具體的業務場景而定。

時間序列資料用於描述現象隨時間發展變化的特徵，一般地，時間序列預測法具有如下的三個基本特點：

(1)假設事物發展趨勢會延伸到未來;

(2)預測所依據的資料具有不規則性;

(3)不考慮事物發展之間的因果關係;

二、時間序列預測步驟

時間序列含有不同的成分，如趨勢、季節性、週期性和隨機性等。對於一個具體的時間序列，它可能含有上述中的一種成分，也可能同時含有幾種成分，含有不同成分的時間序列所用的預測方法是不同的。預測步驟：

第一步：確定時間序列所包含的成分，確定時間序列的型別。

第二步：找出適合此類時間序列的預測方法。

第三步：對可能的預測方法進行評估，以確定最佳預測方案。

第四步：利用最佳預測方案進行預測。

三、例項

R語言、python、spss、EXCEL均能做時間序列分析，本篇將介紹常用的R語言時間序列ARIMA模型進行預測，具體步驟如下：

1、安裝forecast包

forecast包是一個封裝的ARIMA統計軟體包，在預設情況下，R沒有預裝forecast包，因此需要先安裝該包

install.packages("forecast")

2、匯入forecast包

library(forecast)

3、匯入原始資料

此處虛擬了一組收入資料，從2017年開始以月為單位的收入資料，共有36條。


4、識別模型

4.1檢視趨勢圖



4.2繪製時間序列圖

由上圖可見，該序列還不平穩，先做一次Log平滑，再做一次二階差分：



4.3使用decompose函式對資料進行分解

可分成季節部分、趨勢部分、隨機部分三種



4.4 引數估計

auto.arima提供的最佳模型為ARIMA(0,1,1)(0,0,1)[12]，我們可以同時測試兩個模型，看看哪個更適合。



說明：在對該序列進行差分前，此處省略了檢視ACF和PACF。

5、預測2020年每月收入

5.1根據auto.arima提供的最佳模型，選擇ARIMA(0,1,1)來預估




5.2根據auto.arima提供的最佳模型，選擇ARIMA(0,0,1)來預估



顯然，使用第二個模型引數預估的結果不符合整體的規律，因此將第一個預測結果作為本次的預估收入，即下圖的藍色曲線為預測結果。


四、總結：

時間序列預測法其實是一種迴歸預測方法，屬於定量預測。

基本原理是：一方面承認事物發展的延續性，運用過去時間序列的資料進行統計分析，推測出事物的發展趨勢；另一方面充分考慮到偶然因素影響而產生的隨機性，為了消除隨機波動的影響，利用歷史資料進行統計分析，並對資料進行適當處理，進行趨勢預測。


作者：黎湘豔  
來源：資料驅動遊戲
原地址：https://mp.weixin.qq.com/s/l9J3VitvfwdTMpRXxx0X4Q