Build your ultimate AI agent
课程介绍
在 R 中使用预测进行数据驱动决策
本课程介绍如何使用 R 进行时间序列预测。预测是对未来做出预测。 在许多情况下都需要它，例如决定未来十年是否要再建一座发电厂，或者安排下周呼叫中心的员工排班。
预测可能需要提前数年（例如资本投资的情况），也可能只需提前几分钟（例如电信路由）。 无论具体情况或时间跨度如何，可靠的预测都是做好数据驱动决策的关键。
使用 ARIMA 和指数平滑构建准确的预测模型
你将从本课程开始，使用 R 创建时间序列对象，以绘制数据并发现趋势、季节性和重复周期。 你将了解白噪声的概念，并学习如何进行 Ljung-Box 检验以确认随机性，然后再进入下一章，该章将详细介绍基准测试方法和预测准确性。能够测试和衡量你的预测准确性，对于开发可用的模型至关重要。 本课程在深入讲解指数平滑和 ARIMA 模型之前，先回顾多种方法，而这两种方法是时间序列预测中最广泛使用的两种方法之一。
在完成课程之前，你将学习如何使用高级 ARIMA 模型，将节假日和竞争对手活动等额外信息纳入其中。
先修要求
课程大纲
课程大纲
1
在 R 中探索与可视化时间序列
进行任何数据分析的第一步都是绘图。图形可以帮助可视化数据的诸多特征，包括模式、异常观测以及随时间的变化。随后，您需要尽可能将这些在图中看到的特征，融入到将要采用的预测方法中。
2
基准方法与预测精度
本章将介绍适用于多种预测情境的一般工具。我们将讲解一些基准预测方法、用于检查某个预测方法是否充分利用了可用信息的方法，以及度量预测精度的方法。本章讨论的每个工具，都会在后续章节中反复使用，帮助您开发并探索多种预测方法。
3
指数平滑
使用指数平滑方法得到的预测，是对历史观测值的加权平均，其中权重会随时间指数式衰减。换言之，越近期的观测值，权重越高。该框架能够快速为各类时间序列生成可靠的预测，这一优势使其在商业应用中尤为重要。
4
使用 ARIMA 模型进行预测
ARIMA 模型提供了时间序列预测的另一种途径。指数平滑与 ARIMA 是时间序列预测中最常用的两大方法，它们相辅相成。指数平滑模型侧重于描述数据中的趋势与季节性，而 ARIMA 模型则旨在刻画数据的自相关结构。
5
进阶方法
前面章节中的时间序列模型对许多时间序列都适用，但对周度或小时级数据往往效果不佳，且无法纳入其他信息，例如节假日影响、竞争对手活动、法律变更等。本章将介绍能够处理更复杂季节性的若干方法，并探讨如何扩展 ARIMA 模型，以便将其他信息一并纳入其中。
R
R 中的预测
课程完成
