使用fpp3包构建多特征时间序列TSLM模型的预测步骤咨询

嗨，你遇到的这个问题其实是多变量时间序列预测里的典型场景，我来给你拆解下原因和解决步骤：

为什么单特征没问题，多特征会报错？ #

你单特征用的TSLM(Consumption)本质是仅含截距项的模型（等同于TSLM(Consumption ~ 1)），它只需要用历史数据算出的截距项来生成未来预测，完全不需要额外变量。但当你加入Income + Production + Savings + Unemployment这些预测变量后，模型变成了回归模型——要预测Consumption的未来值，必须先知道这几个自变量在未来4个季度的取值，这就是报错提示“Unable to compute required variables from provided new_data”的核心原因。

而你之前能正常运行report()和glance()，是因为这两个函数只需要历史数据集来计算模型的拟合统计量，不需要任何未来数据，所以不会触发这个问题。

多特征TSLM模型的预测步骤 #

下面是具体的解决流程：

1. 准备预测期的自变量数据

你有两种获取未来自变量数据的方式：

• 如果已经有未来4个季度的实际观测值（比如提前拿到了这些经济指标的官方预测数据），直接整理成和us_change格式一致的时间序列数据框即可。
• 如果没有实际数据，需要先对每个自变量单独建立时间序列模型，预测它们的未来值。这里用ARIMA模型举例（你也可以用TSLM或者其他fpp3支持的模型）：

library(fpp3)
library(tidyverse)

# 对每个自变量建立预测模型并生成未来4期预测值
var_forecasts <- us_change |>
  # 提取需要预测的自变量和时间列
  select(Quarter, Income, Production, Savings, Unemployment) |>
  # 转换为长格式方便批量建模
  pivot_longer(-Quarter, names_to = "Variable", values_to = "Value") |>
  # 为每个变量拟合ARIMA模型
  model(arima = ARIMA(Value)) |>
  # 预测未来4个季度
  forecast(h = 4) |>
  # 转换回宽格式，和原数据集结构匹配
  pivot_wider(names_from = Variable, values_from = .mean)

2. 传入自变量预测值进行Consumption的预测

把上面生成的自变量预测数据，通过new_data参数传给forecast()函数，就能得到多特征模型的预测结果了：

# 先拟合多特征TSLM模型
fit_consMR <- us_change |>
  model(tslm = TSLM(Consumption ~ Income + Production + Savings + Unemployment))

# 传入自变量预测数据，生成Consumption的预测
cons_forecast <- forecast(fit_consMR, new_data = var_forecasts)

# 查看结果
cons_forecast

3. 验证预测结果

运行后你会得到和单特征模型类似的fable对象，里面包含未来4个季度Consumption的预测分布和均值，此时模型已经用上了所有自变量的未来预测值。

额外提示 #

如果你的自变量有已知的未来取值（比如某些政策变量是固定的），直接把这些值整理成符合要求的时间序列数据框传入new_data即可，不需要额外建模预测。

备注：内容来源于stack exchange，提问作者Russ Conte