Začněte nyníZačněte zdarma

Předpovídání rezervací hovorů

Dalším časovým řadem s více sezónními obdobími je calls, který obsahuje 20 po sobě jdoucích dní dat o objemu 5minutových hovorů pro velkou severoamerickou banku. V pracovním dni je 169 pětiminutových intervalů, takže týdenní sezónní frekvence je 5 × 169 = 845. Týdenní sezónnost je poměrně slabá, takže zde budeme modelovat pouze denní sezónnost. calls je předem načteno do tvého pracovního prostředí.

Rezidua v tomto případě stále neprochází testy bílého šumu, ale jejich autokorelace jsou zanedbatelné, i když jsou statisticky významné. Je to způsobeno tím, že řada je velmi dlouhá. U takto dlouhých řad je realistické splnění testů rezidui jen obtížně dosažitelné. Vliv zbývajících korelací na předpovědi bude zanedbatelný.

Toto cvičení je součástí kurzu

Forecasting v R

Zobrazit kurz

Pokyny k cvičení

  • Vykresli data calls, abys viděl/a silnou denní sezónnost a slabou týdenní sezónnost.
  • Nastav matici xreg s řádem 10 pro denní sezónnost a 0 pro týdenní sezónnost. Pozor: pokud vektor zadáš nesprávně, může ti vypršet relace!
  • Natrénuj model dynamické regrese nazvaný fit pomocí auto.arima() s parametry seasonal = FALSE a stationary = TRUE.
  • Zkontroluj rezidua natrénovaného modelu.
  • Vytvoř předpovědi na 10 pracovních dní dopředu jako fc a pak je vykresli. Správnou hodnotu h ti pomůže určit popis cvičení.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Plot the calls data
___

# Set up the xreg matrix
xreg <- fourier(___, K = ___)

# Fit a dynamic regression model
fit <- auto.arima(___, xreg = ___, ___, ___)

# Check the residuals
___

# Plot forecasts for 10 working days ahead
fc <- forecast(fit, xreg =  fourier(calls, c(10, 0), h = ___))
___
Upravit a spustit kód