如何在R中批量运行auto.arima并配置非规则时间序列参数

针对你提出的三个问题，以下是基于R语言的实操方案：

1. 小数日期转dd-mm-yyyy格式的时间序列对象 #

不规则间隔的时间序列不适合用传统的ts对象，推荐使用xts存储，先将小数日期转换为标准Date类型：

# 加载依赖包
library(lubridate)
library(xts)

# 假设数据集名为df，小数日期列名为decimal_date
# 把小数日期转换为dd-mm-yyyy格式的Date类型
df$date <- date_decimal(df$decimal_date)
# 转换为xts格式的时间序列对象（保留原始间隔）
ts_obj <- xts(df[, !names(df) %in% c("decimal_date", "date")], order.by = df$date)

注：date_decimal()会直接将类似2023.123的小数日期转换为对应的公历日期，后续xts对象会以date列作为索引，完整保留数据的不规则间隔特性。

2. 批量执行auto.arima并设置frequency参数 #

由于是不规则间隔时间序列，无法设置固定的frequency（如月度数据的12），需将frequency设为NA，让auto.arima自动识别序列特性并选择最优模型：

library(forecast)
library(purrr)

# 提取所有需要建模的变量名
var_names <- colnames(ts_obj)

# 批量拟合auto.arima模型
arima_models <- map(var_names, function(var) {
  auto.arima(ts_obj[, var], frequency = NA)
})
# 为模型列表命名，方便后续调用
names(arima_models) <- var_names

注：如果你的数据存在大致的周期规律（比如平均间隔4天，年周期约91次），也可以手动设置frequency = 91，但不规则间隔下优先推荐frequency = NA。

3. 生成间隔4天的5个未来日期并完成预测 #

先基于最后一个观测日期生成目标预测日期，再批量执行预测：

# 获取序列的最后一个观测日期
last_obs_date <- index(last(ts_obj))
# 生成未来5个间隔4天的日期
future_dates <- seq(last_obs_date + 4, by = "4 days", length.out = 5)

# 批量预测并绑定日期
forecast_outputs <- map(arima_models, function(model) {
  # 预测5步
  fc <- forecast(model, h = 5)
  # 将预测结果与未来日期整合为数据框
  data.frame(
    日期 = format(future_dates, "%d-%m-%Y"),
    点预测 = fc$mean,
    80%置信下限 = fc$lower[, "80%"],
    80%置信上限 = fc$upper[, "80%"],
    95%置信下限 = fc$lower[, "95%"],
    95%置信上限 = fc$upper[, "95%"]
  )
})

执行后，forecast_outputs是一个列表，每个元素对应一个变量的预测结果，包含指定格式的日期和置信区间。

内容的提问来源于stack exchange，提问作者psysky