He investigado múltiples cuestiones relacionadas( aquí , aquí ), pero carece de contexto y soluciones detalladas.
Mi objetivo es mejorar la precisión de mis previsiones de ventas diarias tras haber incorporado un simple maniquí de vacaciones para el año nuevo lunar.
y <- msts(train$Sales, seasonal.periods=c(7,365.25))
# precomputed optimal fourier terms
bestfit$i <- 3
bestfit$j <- 20
z <- fourier(y, K=c(bestfit$i, bestfit$j))
fit <- auto.arima(y, xreg=cbind(z,train_df$cny), seasonal=FALSE)
# forecasting
horizon <- length(test_ts)
zf <- fourier(y, K=c(bestfit$i, bestfit$j), h=horizon)
fc <- forecast(bestfit, xreg=cbind(zf,test_df$cny), h=horizon)
plot(fc, include=365, type="l", xlab="Days", ylab="Sales", main="Comparing arimax forecast and actuals")
lines(test_ts, col='green')
Sin embargo, esto no refleja el efecto retardado de las vacaciones.
Una aproximación será modelizar los efectos con una variable continua (ajustada a la curva de efectos anterior), pero me gustaría escuchar otras sugerencias.