基本上，我未来3个月的任务是预测医院急诊科的床位需求和其他几个变量。这些数据是这些变量的5年每日观测值。数据完整，无缺失值。
目标是提高当前工具（Excel工作簿）的预测精度。
到目前为止，我在大学里还没有参加过任何时间序列或优化课程——所以，当我意识到我不知道如何处理这个项目，而且我将完全独自工作时，想象一下我的恐惧吧。我被告知部门里没有人有任何经验，也没有人能帮助我。我正在使用RStudio，但我不是很熟练，因为它是自学的。
通过尝试这里提出的问题以及YouTube教程来学习适当的语法和功能，我发现：1）我的数据是一个时间序列，我应该应用预测模型，根据我拥有的历史数据预测未来的价值。
2） 长时间序列的每日观测值具有每周和每年的季节性，因此我应该将数据定义为多季节时间序列。
我首先尝试将数据定义为ts（），然后是msts（）。这里提到的一个答案zoo（）更适合日常观察，所以我也试过了。我尝试过的预测模型有Snave、ets和auto。arima和TBATS。
我想根据一周中的某一天（而不是一年中的所有365天）绘制数值/预测图，这是我唯一可以绘制的输出。我尝试使用频率=365和7，开始=c（2014，1）和结束=c（2018，365），但我没有任何运气。
我真的很感激任何人给我的建议和帮助。谢谢你！
在不查看数据的情况下，您是否尝试过开始一些基本的ARIMA建模，并查看从中得到的结果？根据您的数据，这是一种非常友好的开始时间序列预测的方法。我是按小时预测的，但是频率可以调整到你需要预测的任何时间。正如您所提到的，您希望更改频率。有时更容易在更大的时间间隔看到模式，并且可以在更大的时间间隔聚合数据。
例如，这将每日观察转换为每月观察。
library(xts)
dates <- seq(as.Date('2012-01-01'),as.Date('2019-03-31'),by='days')
beds$date.formatted <- dates
beds.xts <- xts(x=beds$neds.count,as.POSIXct(paste(beds$date.formatted)))
end.month <- endpoints(beds.xts,'months')
beds.month <- period.apply(beds.xts,end.month,sum)
beds.monthly.df <- data.frame(date=index(beds.month),coredata(beds.month))
colnames(beds.monthly.df) <- c('Date','Sessions')
beds.monthly <- ts(sessions.monthly.df$Sessions,start=c(2012,1),end=c(2019,3),frequency=12)
plot(beds.monthly)
我不确定这是否能回答你的问题，但是正如你提到的，你是自学成才的，我可以和你分享一个脚本来帮助你开始一个例子，也许这会对你有所帮助？它经历了检查你是否将数据作为时间序列读取的整个过程，什么是时间序列数据，如何检查非平稳数据和季节性趋势，对此有用的图，建模，预测，绘制实际与预测，准确性，以及可能阻碍您的模型的数据的进一步问题。视频教程系列是用Python脚本编写的，但是您可以使用本教程的等效R脚本在ARIMA中遵循端到端的预测过程：https://code.datasciencedojo.com/rebeccam/tutorials/blob/master/Time系列/r_time_series_example。R
https://tutorials.datasciencedojo.com/time-series-python-reading-data/
