如何用R循环实现迭代式单步小时电价滚动预测？

我来帮你实现这个滚动式的季节朴素（snaive）电价预测需求，下面是完整的可运行代码，附带详细解释，最后解答你关于循环是否最优的疑问：

首先确保你加载了所需的包：

library(forecast)
library(readxl)

然后是数据读取、初始化和滚动预测的核心代码：

# 1. 读取数据（替换为你的实际文件路径）
dirDataPrices <- "./" # 这里替换成你的数据文件夹路径
df.elspot.prices.2014 <- as.data.frame(read_excel(paste0(dirDataPrices, "elspot-prices_2014_hourly_eur.xlsx"), skip = 2))
df.elspot.prices.2015 <- as.data.frame(read_excel(paste0(dirDataPrices, "elspot-prices_2015_hourly_eur.xlsx"), skip = 2))

# 2. 初始化训练集和测试集
train_data <- df.elspot.prices.2014$Price # 初始训练集为2014年全年数据
test_data <- df.elspot.prices.2015$Price # 测试集为2015年全年数据
total_days_2015 <- 365 # 2015年是平年，共365天
hour_per_day <- 24

# 3. 创建存储预测结果的容器
predictions <- numeric(length(test_data)) # 长度为8760，对应2015年所有小时

# 4. 滚动预测循环
for (day in 1:total_days_2015) {
  # 计算当前预测的小时索引范围
  start_idx <- (day - 1) * hour_per_day + 1
  end_idx <- day * hour_per_day
  
  # 将当前训练集转换为多季节时间序列对象
  train_msts <- msts(train_data, seasonal.periods = c(24, 168), start = 2014)
  
  # 用snaive预测未来24小时
  forecast_result <- snaive(train_msts, h = hour_per_day)
  
  # 将预测值存入结果向量
  predictions[start_idx:end_idx] <- as.numeric(forecast_result$mean)
  
  # 将当天的实际电价追加到训练集，更新训练数据
  train_data <- c(train_data, test_data[start_idx:end_idx])
  
  # 可选：打印进度，方便跟踪
  if (day %% 30 == 0) {
    cat("已完成", day, "天的预测\n")
  }
}

# 5. 整理预测结果并评估精度
# 创建包含实际值和预测值的数据框
results_df <- data.frame(
  Datetime = seq.POSIXt(as.POSIXct("2015-01-01 00:00"), as.POSIXct("2015-12-31 23:00"), by = "hour"),
  Actual = test_data,
  Predicted = predictions
)

# 计算预测精度指标
accuracy_metrics <- accuracy(predictions, test_data)
print("预测精度指标：")
print(accuracy_metrics)

• 数据读取：使用read_excel读取两年的小时电价数据，注意skip=2要和你的文件格式匹配（跳过前两行表头）。
• 初始化：train_data初始为2014年的电价序列，test_data是2015年的实际值，predictions向量用来存储所有预测结果。
• 循环逻辑：
  • 每次循环处理一天的预测，计算当天对应的小时索引范围。
  • 将当前训练集转换为msts对象，因为电价数据有**日周期（24小时）和周周期（168小时）**两个季节性成分，snaive需要这个结构来识别季节模式。
  • 调用snaive预测未来24小时，将结果存入predictions的对应位置。
  • 把当天的实际电价追加到训练集，实现"每日更新训练数据"的需求。
• 精度评估：使用forecast包的accuracy函数计算MAE、RMSE、MAPE等常用指标，直观对比预测效果。

对于这种滚动式递推预测（recursive forecasting with updating training data），循环是非常合适的实现方式，原因如下：

• 直观易懂：循环的逻辑和你描述的预测流程完全对应，代码可读性强，容易调试和修改。
• 适配snaive模型：snaive是基于历史季节模式的预测，每次更新训练集后都需要重新识别最新的季节趋势，循环能清晰完成这个过程。
• 性能可接受：2015年共365次循环，每次处理的是小时级时间序列，R的处理速度完全能胜任，不会有性能瓶颈。

如果你的数据量极大（比如几十年的分钟级数据），可以考虑用rollapply等向量化函数优化，但对于你的需求，循环是最优的选择——兼顾可读性和实现效率。

内容的提问来源于stack exchange，提问作者BalysLTU