Regresión cuantílica para la previsión de ventas en R

Question

Edición : No puedo pronosticar las ventas con precisión utilizando la regresión cuantílica en R. Estoy utilizando la función rq del paquete "quantreg" que me está dando la advertencia "El resultado podría tener soluciones no únicas"

Objetivo : Estoy tratando de pronosticar las ventas por hora de una tienda utilizando la regresión cuantílica.

A continuación se muestran las columnas de mi tabla de origen para la previsión.

• fecha_de_transacción : fecha de venta (entrada)
• hr1 a hr24 : columna con información de ventas por hora. (24 columnas) (entrada)
• totala : total de 24 columnas hr1 a hr24 (no se utilizan actualmente)
• ubicación, departamento, tipo_de_ventas La previsión se hará para cada ubicación, tipo de venta y departamento. (se utiliza para seleccionar los datos)
• f1 a f24 : columnas que quiero pronosticar para cada hora (24 columnas) (salida)

Paquetes utilizados: forecast, quantreg, Metrics

Código : He extraído las características de fecha de transaction_date, por ejemplo, fin de semana, semana del mes y también días festivos (1 si es festivo 0 para días normales).

attach(train_data) 
Y <- cbind(hr) 
X <- cbind(transation_date, Years, Months, Days, WeekDay, WeekofYear, Weekend, WeekofMonth, holidays) 

quantreg.all <- rq(Y ~ X, tau = seq(0.05, 0.95, by = 0.05))
prediction_train <- data.frame(predict(quantreg.all))

Tengo 19 modelos en prediction_train para cada tau de 0.05 a 0.95, selecciono el mejor modelo basado en el valor rmse y luego pronostico usando ese tau.

rmse(actual, predicted)

transaction_date es de tipo Date, quantreg.all es de clase rqs y el resto son numéricos.

Nota: Las tiendas no están abiertas las 24 horas, por lo que muchas columnas de horas serán 0 (hora de cierre de la tienda). Actualmente, para la mayoría de estas horas, rq predice 0 o algunos valores negativos.

La climatología no tiene gran repercusión en las ventas.

Answer 1

¿Puede definir "preciso"? ¿Qué espera obtener?

Sigue siendo una regresión y no le garantizará una precisión del 100%.

Además, las regresiones cuantílicas le darán el valor correspondiente al cuantil elegido de la distribución. Así, por ejemplo, la regresión con tau=0.25 y algún valor especificado de X le dará y_fit que sea superior al 25% de todas las observaciones de la muestra para el mismo X (el 25% de las observaciones estarán por debajo de y_fit ). Así que, en general, no debería esperar una gran precisión con las regresiones cuantílicas.

En cuanto a la advertencia, puede que no sea relevante para su problema de precisión en absoluto. Pero cambiar method parámetro en qr puede ayudarle a deshacerse de la advertencia. Por ejemplo, utilizando method="fn" debería ayudar en los casos con un elevado número de observaciones.