在R中使用Holt Winters模型出现“Optimization Failure”错误求助

在R中批量处理多个SKU的时间序列预测时，使用Holt Winters模型遇到**"Optimization Failure"**错误，该错误直接中断循环，导致后续SKU无法完成预测。以下是复现代码及数据集结构：

复现代码 #

library(dplyr)
library(tidyverse)
library(tidyr)
library(tidymodels)
library(forecast)
library(prophet)
library(readxl)

pd1 <- readxl::read_excel("C:X/X/X")
colnames(pd1)[1]="X1"

Y1 = ts(data = pd1$X1,
        frequency = 12,
        start = c(2019,1),
        end = c(2022,8))

training_Y1 = window(x=Y1,
                  end = c(2022,8))

Model_Y1 = HoltWinters(x=training_Y1,
                       seasonal = "additive")

数据集结构 #

structure(list(X1 = c(0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 38, 7, 7, 
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0)), row.names = c(NA, -44L), class = "data.frame")

从数据集可以看出，该SKU的序列前30个值全为0，仅最后3个观测值有非零数据，后续又回到0。Holt Winters模型依赖优化算法估计趋势、水平和季节参数，这种极度稀疏、几乎无有效波动的序列无法提供足够信息让算法找到合理参数解，直接触发优化失败。

另外代码中training_Y1与原序列Y1时间范围完全一致，等于未拆分训练集，但这不是报错的核心原因。

1. 提前过滤无效序列 #

在循环处理前，先筛选掉无法拟合的SKU：

• 判断序列中非零值数量（比如少于5个则跳过）
• 判断序列方差是否为0（全为0的序列方差为0）

示例代码：

# 定义序列有效性检查函数
valid_series <- function(x) {
  non_zero_count <- sum(x != 0)
  var_x <- var(x, na.rm = TRUE)
  return(non_zero_count >= 5 & var_x > 0)
}

# 循环中先判断再建模
if(valid_series(pd1$X1)) {
  # 执行Holt Winters建模逻辑
} else {
  cat("当前SKU序列无效，跳过\n")
}

2. 循环中加入错误捕获 #

用tryCatch包裹建模代码，即使当前SKU报错，也能继续处理下一个：

# 示例批量处理框架
sku_list <- unique(pd$sku_id) # 假设数据集包含sku_id列
results <- list()

for(sku in sku_list) {
  sku_data <- pd %>% filter(sku_id == sku) %>% pull(X1)
  Y_ts <- ts(data = sku_data, frequency = 12, start = c(2019,1), end = c(2022,8))
  
  model <- tryCatch({
    HoltWinters(x = Y_ts, seasonal = "additive")
  }, error = function(e) {
    cat(sprintf("SKU %s 建模失败：%s\n", sku, e$message))
    return(NULL)
  })
  
  results[[as.character(sku)]] <- model
}

3. 手动指定模型参数（仅特殊场景使用） #

如果非要对稀疏序列建模，可以手动设置alpha（水平平滑参数）、beta（趋势平滑参数）、gamma（季节平滑参数），跳过自动优化：

Model_Y1 = HoltWinters(x=training_Y1,
                       seasonal = "additive",
                       alpha = 0.1,
                       beta = 0.05,
                       gamma = 0.05)

注意：手动参数需结合业务经验调整，预测结果可能可靠性不足。

4. 更换适合稀疏数据的模型 #

对于大量零值的时间序列，Holt Winters不是最优选择，可尝试：

• 简单指数平滑（ses()函数）
• Prophet模型（已加载该包，对稀疏数据兼容性更好）
• 零膨胀类时间序列模型

内容的提问来源于stack exchange，提问作者user20203146