如何在R中将多门店forecast预测结果列表转换为标准化表格

一、现有forecast列表转目标格式方法 #

你当前已生成的all_arima列表可以通过以下代码直接转换为要求的每行对应单门店+单预测周期的结构化格式：

library(purrr)
library(dplyr)

# 转换预测结果为结构化数据框
forecast_result <- imap_dfr(all_arima, function(forecast_obj, idx) {
  # 从原数据集取对应门店名称
  store_name <- unique(my_data_set[[idx]]$门店名称)
  # 转换forecast对象为数据框，新增门店和预测周期字段
  as.data.frame(forecast_obj) %>%
    mutate(
      门店名称 = store_name,
      # 若需替换为实际预测日期，可改为：
      # 预测日期 = seq.Date(max(my_data_set[[idx]]$月度日期), by = "month", length.out = h)
      预测周期 = row_number()
    )
}) %>%
  # 调整列顺序+重命名为业务友好格式
  select(门店名称, 预测周期, 
         预测均值 = `Point Forecast`, 
         `80%置信区间下限` = `Lo 80`, 
         `80%置信区间上限` = `Hi 80`, 
         `95%置信区间下限` = `Lo 95`, 
         `95%置信区间上限` = `Hi 95`)

输出结果可直接用write.csv()或writexl::write_xlsx()导出为本地文件使用。

二、项目初期更优实现方案 #

推荐使用tidyverts生态的fable包实现全流程批量预测，从数据输入到结果输出全程使用结构化表格，无需手动处理列表嵌套，后续维护、扩展难度远低于base R的lapply方案：

# 加载tidy时间序列工具包
library(fable)
library(tsibble)
library(dplyr)

# 第一步：合并列表数据为标准化时间序列对象
total_data <- bind_rows(my_data_set) %>%
  # 指定分组键为门店名称，时间索引为月度日期
  as_tsibble(key = 门店名称, index = 月度日期)

# 第二步：批量拟合ARIMA+生成预测，一步输出结构化结果
tidy_forecast <- total_data %>%
  # 按门店分组拟合ARIMA模型
  model(arima = ARIMA(销售额)) %>%
  # 生成h期预测，h支持传入数字或时间单位，比如"12 months"
  forecast(h = 你需要的预测期数) %>%
  # 拆分80%、95%置信区间为单独列
  hilo(level = c(80, 95)) %>%
  unpack_hilo(c(`80%`, `95%`))

该方案天然支持多维度分组预测，后续如果需要按「门店+品类」「门店+城市」等多维度拆分预测，仅需调整as_tsibble()的key参数即可，同时内置模型评估、批量可视化能力，无需额外封装逻辑即可快速完成多模型对比、预测结果校验。

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