如何使用R批量处理3900+区域月度时间序列数据并完成12个月预测

前置准备 #

你需要先把数据集整理为长表格式，每一行对应「区域ID+年月+观测值」三个核心字段即可，避免宽表格式后续循环处理时产生冗余。
首先安装必要的依赖包：

# 已经安装过可以跳过此步
install.packages(c("tidyverse", "forecast", "furrr", "lubridate"))

这里用到furrr包做并行处理，3900个序列串行运行耗时过长，并行能大幅压缩处理时间。

核心实现步骤 #

步骤1：数据预处理 #

library(tidyverse)
library(lubridate)
library(forecast)
library(furrr)

# 读取数据，替换为你自己的本地文件路径
raw_data <- read.csv("your_data_path.csv")

# 数据格式清洗，确保字段类型正确
clean_data <- raw_data %>%
  mutate(
    date = ym(date), # 若你的日期列是其他格式，对应调整日期转换函数即可
    value = as.numeric(value)
  ) %>%
  # 按区域分组，过滤掉观测值不足的序列（比如少于24个月的序列ARIMA拟合效果较差，可以直接过滤或者单独标记做特殊处理）
  group_by(region_id) %>%
  filter(n() >= 24) %>%
  nest() # 嵌套为每个区域对应一个子数据集的结构，方便后续批量处理

步骤2：封装单序列预测函数 #

把你之前做单个ARIMA预测的逻辑封装成可复用函数，输入是单个区域的子数据集，输出是标准化的预测结果：

predict_single_region <- function(df, h = 12){
  # 把数据转为ts时间序列对象，月度数据频率固定为12，起始年月取数据集第一条的日期
  ts_data <- ts(df$value, frequency = 12, start = c(year(min(df$date)), month(min(df$date))))
  
  # 自动拟合ARIMA模型，也可以替换为你自己定阶的ARIMA逻辑
  arima_model <- auto.arima(ts_data)
  
  # 预测h期，默认设置为12个月
  fc <- forecast(arima_model, h = h)
  
  # 整理预测结果为数据框，方便后续合并
  result <- tibble(
    forecast_month = seq.Date(max(df$date) + months(1), by = "month", length.out = h),
    forecast_value = as.numeric(fc$mean),
    lower_95 = as.numeric(fc$lower[,2]),
    upper_95 = as.numeric(fc$upper[,2])
  )
  return(result)
}

步骤3：批量并行预测 #

3900个序列建议开启多进程并行，速度提升幅度和你的CPU核心数正相关：

# 开启并行，默认调用CPU核心数减1的资源，避免占满系统资源影响其他操作
plan(multisession, workers = availableCores() - 1)

# 批量运行预测，用future_map替代普通的map实现并行计算
final_result <- clean_data %>%
  mutate(
    forecast = future_map(data, predict_single_region, h = 12)
  ) %>%
  select(region_id, forecast) %>%
  unnest(forecast) # 展开嵌套的预测结果为常规二维表结构

步骤4：结果导出 #

# 导出为csv供后续分析使用
write.csv(final_result, "multi_region_forecast_result.csv", row.names = F)

优化提示 #

• 对于拟合失败的序列，可以在函数里加tryCatch逻辑，跳过报错的序列避免整个批量任务中断，你可以给拟合失败的区域预测值标记NA，或者用简单的均值/趋势预测补全结果
• 如果所有序列的季节性规律接近，可以用分层时间序列模型（hts包）进一步提升预测精度，比单独给每个区域拟合ARIMA的整体效果更好
• 硬件条件允许的话，可以把workers参数调大，进一步加快运行速度

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