Прогнозирование нескольких моделей временных рядов, dplyr

Question

Я бы хотел использовать dplyr для прогнозирования нескольких моделей. Модели установлены на данных временных рядов, поэтому каждый час - это собственная модель. То есть, час = 1 является моделью, а час = 18 является моделью.

Пример:

# Historical data - Basis for the models: 
df.h <- data.frame( 
    hour  = factor(rep(1:24, each = 100)), 
    price = runif(2400, min = -10, max = 125), 
    wind  = runif(2400, min = 0, max = 2500), 
    temp  = runif(2400, min = - 10, max = 25) 
) 

# Forecasted data for wind and temp: 
df.f <- data.frame(
    hour  = factor(rep(1:24, each = 10)), 
    wind  = runif(240, min = 0, max = 2500), 
    temp  = runif(240, min = - 10, max = 25) 
) 

я могу соответствовать каждой модели, час за часом, как так:

df.h.1 <- filter(df.h, hour == 1) 

fit = Arima(df.h.1$price, xreg = df.h.1[, 3:4], order = c(1,1,0)) 

df.f.1 <- filter(df.f, hour == 1) 
forecast.Arima(fit, xreg = df.f.1[ ,2:3])$mean 

Но было бы удивительным, чтобы сделать что-то вроде этого:

fits <- group_by(df.h, hour) %>% 
    do(fit = Arima(df.h$price, order= c(1, 1, 0), xreg = df.h[, 3:4])) 

df.f %>% group_by(hour)%>% do(forecast.Arima(fits, xreg = .[, 2:3])$mean) 

Answer 1

Если вы хотите упаковать его в один вызов, вы можете привязать данные к одному data.frame, а затем снова разделить его на i n вызов do.

df <- rbind(df.h, data.frame(df.f, price=NA)) 
res <- group_by(df, hour) %>% do({ 
    hist <- .[!is.na(.$price), ] 
    fore <- .[is.na(.$price), c('hour', 'wind', 'temp')] 
    fit <- Arima(hist$price, xreg = hist[,3:4], order = c(1,1,0)) 
    data.frame(fore[], price=forecast.Arima(fit, xreg = fore[ ,2:3])$mean) 
}) 
res