如何进一步提升R中重复时间序列对象的预测性能？

我在使用Rob Hyndman开发的forecast包进行时间序列预测时，该包的预测区间质量表现出色，但批量处理大量时间序列（如4000个）时，希望进一步提升性能。目前已尝试的方案及耗时：

• 常规for循环：4000次预测耗时约9.66秒
• lapply方法：性能提升约15%，耗时约8.7秒
• foreach+doParallel并行：性能提升约50%，耗时约5.9秒

以下是进一步优化的实现方案：

1. 预指定ETS模型类型（大幅减少计算时间） #

ETS模型的自动选择（默认model="ZZZ"）是计算耗时的核心环节之一。如果业务场景允许预先确定合适的模型类型（比如通过探索性分析发现数据适合加法趋势、加法季节的模型），直接指定模型参数可以跳过模型选择步骤，性能提升非常显著。

示例代码：

library(forecast)
library(fpp2)
library(foreach)
library(doParallel)

repetitions = 4000
# 优化ts_list生成：直接复制而非重复调用window
aust <- window(austourists, start=2005)
ts_list <- replicate(repetitions, aust, simplify = FALSE)

# 并行方案+指定ETS模型
cores = detectCores()
cl <- makeCluster(cores[1]-1)
registerDoParallel(cl)
strt <- Sys.time()

ls <- foreach(ts = ts_list, .packages = c("forecast")) %dopar% {
  # 直接指定模型类型，比如AAA（加法误差、加法趋势、加法季节）
  fit <- ets(ts, model = "AAA")
  res <- forecast(fit, h = 1, level = 0.68)
  # 只保留需要的结果，减少序列化开销
  list(pred = res$mean, lower = res$lower, upper = res$upper)
}

performa_specified <- Sys.time() - strt
stopCluster(cl)
print(performa_specified)

预期提升：通常能减少30%-60%的耗时，具体取决于模型选择的开销占比。

2. 使用furrr包简化并行逻辑并降低开销 #

furrr是purrr的并行扩展，语法更简洁，底层基于future框架，相比foreach可能有更低的并行调度开销。

示例代码：

library(forecast)
library(fpp2)
library(furrr)

repetitions = 4000
aust <- window(austourists, start=2005)
ts_list <- replicate(repetitions, aust, simplify = FALSE)

# 设置并行会话
plan(multisession, workers = detectCores() - 1)

strt <- Sys.time()
# 链式调用：先拟合再预测，同时指定模型类型
res_fc_list <- future_map(ts_list, function(ts) {
  fit <- ets(ts, model = "AAA")
  fc <- forecast(fit, h = 1, level = 0.68)
  list(pred = fc$mean, lower = fc$lower, upper = fc$upper)
})
performa_furrr <- Sys.time() - strt

plan(sequential) # 关闭并行
print(performa_furrr)

优势：代码更简洁，并行管理更自动化，避免手动创建/停止集群的繁琐操作，同时性能略优于foreach。

3. 优化内存与序列化开销 #

批量处理时，减少不必要的数据复制和序列化操作能间接提升性能：

• 使用replicate生成ts_list，比循环创建更高效
• 在并行任务中只返回需要的结果（而非完整的forecast对象），减少进程间数据传递的开销
• 预分配结果容器（如果使用循环）

示例：用replicate优化ts_list生成（替代原循环创建方式）

# 替代原循环生成ts_list的冗余代码
aust <- window(austourists, start=2005)
ts_list <- replicate(repetitions, aust, simplify = FALSE)

4. 使用Rcpp加速核心计算（进阶方案） #

如果上述方案仍无法满足性能需求，可以考虑用Rcpp重写ETS模型的核心拟合逻辑，但这需要一定的C++基础，且仅当模型选择是瓶颈时值得尝试。不过forecast包本身的ETS实现已经是优化过的，所以此方案优先级较低。

内容的提问来源于stack exchange，提问作者Sanoj