Předpověď spotřeby elektřiny
Denní spotřebu elektřiny lze také modelovat jako funkci teploty. Jak možná víš ze svých účtů za elektřinu, v horkých dnech se spotřebovává více elektřiny kvůli klimatizaci a v chladných dnech kvůli vytápění.
V tomto cvičení natrénuješ kvadratický regresní model s ARMA chybou. K dispozici máš roční denní data uložená jako elecdaily, která zahrnují celkovou denní spotřebu, indikátorovou proměnnou pro pracovní dny (pracovní den je reprezentován hodnotou 1, nepracovní den hodnotou 0) a denní maximální teploty. Protože data vykazují týdenní sezónnost, je frequency nastavena na 7.
Podívejme se na první tři řádky:
> elecdaily[1:3, ]
Demand Temperature Workday
[1,] 174.8963 26.0 0
[2,] 188.5909 23.0 1
[3,] 188.9169 22.2 1
elecdaily je předem načteno do tvého pracovního prostředí.
Toto cvičení je součástí kurzu
Forecasting v R
Pokyny k cvičení
- Vytvoř časové grafy pouze denní spotřeby a maximálních teplot s použitím facettingu.
- Sestav matici regresorů obsahující
MaxTemppro maximální teploty,MaxTempSqpředstavující druhou mocninu maximální teploty aWorkday, v tomto pořadí. Druhý argumentcbind()bude přirozeně vyžadovat jednoduchý matematický operátor. - Natrénuj model dynamické regrese sloupce spotřeby s ARIMA chybami a výsledek ulož jako
fit. - Pokud bude následující den pracovní (indikátor je 1) s předpovídanou maximální teplotou 20 °C, jaká bude předpovězená spotřeba? Doplň odpovídající hodnoty do
cbind()pro argumentxregve funkciforecast().
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Time plots of demand and temperatures
autoplot(elecdaily[, c(___, ___)], facets = ___)
# Matrix of regressors
xreg <- cbind(MaxTemp = elecdaily[, "Temperature"],
MaxTempSq = ___,
Workday = ___)
# Fit model
fit <- auto.arima(___, xreg = xreg)
# Forecast fit one day ahead
forecast(___, xreg = cbind(___, ___, ___))