使用auto.Arima（）和xreg进行ARIMA预测

我正在从事预测商店销售的项目以学习预测。到目前为止，我已经成功地使用了简单的auto.Arima（）函数进行预测。但是为了使这些预测更加准确，我可以使用协变量。我定义了假日等协变量，借助这篇文章的帮助，使用xreg运算符会影响商店的销售：如何在R中的auto.arima（）中设置xreg参数？

但是我的代码在以下行失败：

ARIMAfit <-auto.arima（saledata，xreg =协变量）

并给出错误提示：

model.frame.default（formula = x〜xreg，drop.unused.levels = TRUE）中的错误：变量长度不同（为'xreg'找到）另外：警告消息：在！is.na（x）和！is中.na（rowSums（xreg））：较长的对象长度不是较短的对象长度的倍数

以下是指向我的数据集的链接：https : //drive.google.com/file/d/0B-KJYBgmb044blZGSWhHNEoxaHM/view? usp =sharing

这是我的代码：

data = read.csv("xdata.csv")[1:96,]
View(data)

saledata <- ts(data[1:96,4],start=1)
View(saledata)

saledata[saledata == 0] <- 1
View(saledata)

covariates = cbind(DayOfWeek=model.matrix(~as.factor(data$DayOfWeek)),
                 Customers=data$Customers,
             Open=data$Open,
                 Promo=data$Promo,
             SchoolHoliday=data$SchoolHoliday)
View(head(covariates))


# Remove intercept
covariates <- covariates[,-1]
View(covariates)

require(forecast)
ARIMAfit <- auto.arima(saledata, xreg=covariates)//HERE IS ERROR LINE
summary(ARIMAfit)

还告诉我如何预测接下来的48天。我知道如何使用简单的auto.Arima（）和n.ahead进行预测，但不知道使用xreg时如何进行预测。

几点。第一，您可以将整个矩阵转换为ts对象，然后隔离变量。其次，如果您在Arima模型中使用协变量，则在预测样本外时需要提供协变量。这可能意味着在生成您感兴趣的变量的预测之前，先预测每个协变量。在下面的示例中，为简单起见，我将数据分为两个样本。

dta = read.csv("xdata.csv")[1:96,]
dta <- ts(dta, start = 1)

# to illustrate out of sample forecasting with covariates lets split the data
train <- window(dta, end = 90)
test <- window(dta, start = 91)

# fit model
covariates <- c("DayOfWeek", "Customers", "Open", "Promo", "SchoolHoliday")
fit <- auto.arima(train[,"Sales"], xreg = train[, covariates])

# forecast
fcast <- forecast(fit, xreg = test[, covariates])