Гарні практики при прогнозуванні часових рядів

Я працював місяцями над короткостроковим прогнозуванням навантаження та використанням даних про клімат / погоду для підвищення точності. У мене є інформація з інформатики, і тому я намагаюся не робити великих помилок і несправедливих порівнянь, працюючи з інструментами статистики, такими як моделі ARIMA. Мені хотілося б дізнатися вашу думку про пару речей:

1. Я використовую обидві (S) ARIMA та (S) ARIMAX моделі для дослідження впливу погодних даних на прогнозування, чи вважаєте ви, що потрібно буде використовувати також методи експоненціального згладжування?

2. Маючи часовий ряд із 300 проб щодня, я починаю з перших двох тижнів і виконую прогноз на 5 днів вперед, використовуючи моделі, побудовані з функцією auto.arima R (пакет прогнозів). Потім я додаю ще один зразок до мого набору даних і знову калібрую моделі і виконую ще 5 днів прогнозу і так далі до кінця наявних даних. Як ви вважаєте, цей спосіб роботи є правильним?

Дякую за ваші пропозиції, хоча мета нашої роботи - стаття в інженерному журналі, я хотів би зробити роботу якомога жорсткішою зі статистичної точки зору.

1. Я думаю, що варто було б також вивчити експоненціальні моделі згладжування. Експоненціальні моделі згладжування принципово відрізняються від моделей ARIMA і можуть давати різні результати щодо ваших даних.

2. Це звучить як вірний підхід і дуже схоже на метод перехресної перевірки часових рядів, запропонований Роб Хайндманом .

Я б узагальнив помилку перехресної перевірки з кожного прогнозу (експоненціальне згладжування, ARIMA, ARMAX), а потім використаю загальну помилку для порівняння трьох методів.

Ви також можете розглянути "пошук мережі" для параметрів ARIMA, а не використовувати auto.arima. Під час пошуку в сітці ви досліджуєте кожен можливий параметр для моделі arima, а потім вибираєте "найкращі", використовуючи точність прогнозу.