（此答案基于销售预测业务方面的经验，而不是严格的统计/数学知识）

查看您的数据，每周进行预测比每天进行预测更有意义。在每日级别，它太稀疏了，但在每周级别，你会有一个更有意义的时间序列。

week 1: 0,0,1,0,0,0,0

week 2: 2,0,0,0,0,0,0

week 3: 0,0,0,1,0,0,0

week 4: 1,0,1,0,0,0,0

week 5: 0,0,0,0,0,0,0

week 6: 1,0,0,2,0,0,0

您每天使用的任何预测方法都会给出每天的分数值。这并没有真正的帮助，因为这些是销售单位，所以 ~ 0.14 的预测值并没有多大意义，除非你将其解释为概率（在这种情况下我不知道足够的数学来帮助，但其他人可能会更好地处理它）。

如果您按周汇总数据，您将获得：

week 1: 1

week 2: 2

week 3: 1

week 4: 2

week 5: 0

week 6: 3

然后，您可以简单地在您拥有的所有周内平均该值，或者使用移动平均线。然后，您将平均每两周售出 3 个单位。

请记住，这是一个销售预测：销售预测的目的是什么？确保您有足够的库存来满足客户的需求。根据我上面描述的方法，您会知道您需要每 2 周运送/订购 3 个库存单位以满足对该产品的需求 - 无需进行 ARIMA 或指数平滑或其他更复杂的时间序列分析。

对于这种情况，克罗斯顿的方法绝对是一个合适的选择。其基本思想是分别估计非零需求和需求间区间。但请注意，它的输出实际上是“需求率”，而不是实际需求单位（例如，0.1 的预测意味着 10 个时期的 1 个单位的需求）。实际上并没有提供需求的确切时间。

tsintermittent包为间歇性时间序列预测提供了一些替代方案，包括 iMAPA 和 Teunter-Syntetos-Babai 方法。该软件包还允许您使用一些调整来处理 Croston 方法的偏差，例如 Syntetos-Boylan 近似。