ARIMA vs. 用于预测的平滑模型我正在与可再生能源客户合作，该客户希望为风能和太阳能发电厂创建能源预测。 我打算展示ARIMA，但后来开始修补Smoothing模型。 您的预测中哪一个更好？我在ARIMA看到的优势是输入功能。 但如果没有输入，Smoothing会更好吗？我创建的模型同时包含我认为来自的航空公司乘客量数据 @jiancao 。 使用我选择的ARIMA模型，AIC更好，但使用Winters方法，预测值和实际值的差异较小。 思考？
回复：ARIMA vs. 用于预测的平滑模型Alisa，我的想法是它就像JMP中的其他型号一样...... 哪个最好？这取决于！是在Rsqd / AIC / BIC / ...的改善 足以保证稍微好一点的预测，或者更简单（即更容易解释）的模型，而牺牲一点预测能力？
多年来我对ARIMA有一点经验（虽然我不是专家），我发现它在预测方面相当不错，但很难解释幕后发生的事情。 一些平滑模型更容易解释。
您可能已经知道这一点，但对于时间序列而言，大多数其他平台中使用的“验证列”相当于支持系列中的最后几个点，使模型适合，然后看看它是否适合最后几个点。 然后，您可以选择最适合这些点的模型，然后返回并使用包含的那些点重新设置相同的模型复杂度（这样您就可以预测下一个模型）。
这些帮助有用？
回复：ARIMA vs. 用于预测的平滑模型我同意杰瑞关于在预测模型中使用“留一出”作为验证。我想补充一些关于比较ARIMA和基于AIC的平滑模型的评论。
有一些 ARIMA和平滑模型的等价关系，但它们被认为是两种不同的模型系列。因此，AIC 不能用来比较它们，因为可能性是以不同的方式计算的。换句话说，我们只能使用AIC来选择候选ARIMA模型之间的ARIMA模型或候选平滑模型之间的平滑模型。
平滑方法很吸引人，因为它们直接模拟时间序列的组成部分：水平，趋势，季节性和随机波动，
它们提供快速简单的预测，无需开发模型。另一方面，ARIMA模型可以产生更准确的预测和置信区间，但它们需要更多时间和用户的输入。
（顺便说一下，航空公司的乘客数据来自Box和Jenkins的书，可以在JMP示例数据库的时间序列子文件夹中找到，名为Seriesg。）
