【时间序列】ARIMA模型在鞋服行业销售预测中的运用

大纲：

-数据处理
-模型构建
-拟合效果

1.数据处理

真实业务数据。来源于特步四川分公司。

数据按照地区可以划分为：成都／乐山／南充／绵阳等；按品类可以划分为羽绒服／板鞋／短袖POLO等等。

数据时间跨度：2014年1月～2017年10月

样本：成都地区跑鞋销量预测

#读取数据
library(readxl)
Shoes2_Chengdu <- read_excel("Desktop/跑鞋区域数据.xlsx", sheet = "成都", col_types = c("date", "numeric"))
plot(Shoes2_Chengdu,type="line")
attach(Shoes2_Chengdu)
Quantity=as.numeric(Quantity)
detach(Shoes2_Chengdu)

绘制趋势图，对整体趋势有一个直观的感受：

节假日因素调整：因为特步在每年的春节，五一，十一等节假日都会举行促销活动。除了春节外，其他的节假日都在固定时间。我们所需要调整的是每年春节的不固定日期。

#调整春节因素，2014年春节在一月
a=Shoes2_Chengdu$Quantity[1]
Shoes2_Chengdu$Quantity[1]=Shoes2_Chengdu$Quantity[2]
Shoes2_Chengdu$Quantity[2]=a

如果有过小的值，代表是反季商品促销。（比如羽绒服在夏季的销量）直接做0值处理，不做预测（因为对销售决策制定没有指导意义）。

#剔除过小的值
for (i in 1:47)
{if(Shoes2_Chengdu$Quantity[i]<20)
  Shoes2_Chengdu$Quantity[i]<-0

}

加载时间序列包，将数据整理成时间序列格式。

#加载时间序列程序包
library(tseries)
library(forecast)
library(dplyr)
library(stats)
#转换成时间序列
Shoes2_Chengduts<-ts(Shoes2_Chengdu$Quantity[1:47],fre=12,start=c(2014,01))

通过箱形图检测异常值：箱形图可以用来观察数据整体的分布情况，利用中位数，25/%