Přiřaď ACF ke časové řadě

Teď, když jsi viděl/a ACF grafy pro různé časové řady, měl/a bys být schopný/á rozpoznat jejich charakteristiky jen z ACF grafu.

Přiřaď zobrazené ACF grafy (A–D) k odpovídajícím časovým grafům (1–4).

Toto cvičení je součástí kurzu

Forecasting v R

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Forecasting v R

SkillTag.level.beginnerSkillTag.label

4.9+

Začněte kurz zdarma

Každá analýza dat by měla začít vizualizací. Grafy ti umožní odhalit celou řadu vlastností dat – vzory, neobvyklé hodnoty i změny v čase. To, co v grafech uvidíš, bys měl/a co nejlépe zohlednit ve zvolených metodách prognózování.

Exercise 1: Vítej ve světě předpovídání v R Exercise 2: Vytváření objektů časových řad v R Exercise 3: Grafy časových řad Exercise 4: Sezónní grafy Exercise 5: Trendy, sezónnost a cykličnost Exercise 6: Autokorelace nesezónních časových řad Exercise 7: Autokorelace sezónních a cyklických časových řad Exercise 8: Přiřaď ACF ke časové řadě

Aktuální cvičení

Exercise 9: Bílý šum Exercise 10: Ceny akcií a bílý šum

V této kapitole se naučíš obecné nástroje použitelné v mnoha různých situacích při prognózování. Projdeme si metody referenčního forecasting, způsoby, jak ověřit, zda daná metoda dostatečně využívá dostupné informace, a přístupy k měření přesnosti předpovědí. Všechny probírané nástroje pak budeme opakovaně využívat v dalších kapitolách, až budeme rozvíjet a zkoumat různé metody prognózování.

Exercise 1: Předpovědi a možné budoucnosti Exercise 2: Naivní metody předpovídání Exercise 3: Odhadnuté hodnoty a rezidua Exercise 4: Kontrola reziduí časové řady Exercise 5: Tréninková a testovací sada Exercise 6: Vyhodnocení přesnosti předpovědí pro nesezónní metody Exercise 7: Vyhodnocení přesnosti prognóz sezónních metod Exercise 8: Mám dobrý model pro předpovídání?Exercise 9: Křížová validace časových řad Exercise 10: Použití tsCV() pro křížovou validaci časových řad

Předpovědi vytvořené metodami exponenciálního vyhlazování jsou váženými průměry minulých pozorování, přičemž váhy exponenciálně klesají s rostoucím stářím pozorování. Jinými slovy, čím novější pozorování, tím větší váhu mu přiřadíme. Tento přístup dokáže spolehlivě a rychle generovat předpovědi pro celou řadu časových řad, což je velkou výhodou zejména pro obchodní aplikace.

Exercise 1: Exponenciálně vážené předpovědi Exercise 2: Jednoduché exponenciální vyrovnávání Exercise 3: SES vs naivní metoda Exercise 4: Metody exponenciálního vyhlazování s trendem Exercise 5: Holtovy metody s trendem Exercise 6: Metody exponenciálního vyhlazování s trendem a sezónností Exercise 7: Holt-Winters pro měsíční data Exercise 8: Holt-Wintersova metoda s denními daty Exercise 9: Stavové modely pro exponenciální vyrovnávání Exercise 10: Automatické předpovědi pomocí exponenciálního vyhlazování Exercise 11: ETS vs. sezónní naivní metoda Exercise 12: Přiřaď modely k časovým řadám Exercise 13: Kdy ETS selhává?

Modely ARIMA nabízejí další přístup k prognózování časových řad. Exponenciální vyhlazování a modely ARIMA patří mezi dva nejrozšířenější přístupy v oblasti prognózování časových řad a vzájemně se doplňují. Zatímco modely exponenciálního vyhlazování vycházejí z popisu trendu a sezónnosti dat, modely ARIMA se zaměřují na popis autokorelací v datech.

Exercise 1: Transformace pro stabilizaci rozptylu Exercise 2: Box-Cox transformace pro časové řady Exercise 3: Nesezónní diferenciace pro dosažení stacionarity Exercise 4: Sezónní diferencování pro stacionaritu Exercise 5: Modely ARIMA Exercise 6: Automatické modely ARIMA pro nesezónní časové řady Exercise 7: Předpovědi s modely ARIMA Exercise 8: Porovnání auto.arima() a ets() na nesezónních datech Exercise 9: Sezónní modely ARIMA Exercise 10: Automatické modely ARIMA pro sezónní časové řady Exercise 11: Prozkoumání možností funkce auto.arima()Exercise 12: Porovnání auto.arima() a ets() na sezónních datech

Modely časových řad z předchozích kapitol fungují dobře pro mnoho datových sad, ale často si neporadí s týdenními nebo hodinovými daty a neumožňují zahrnutí dalších informací – například vlivu svátků, aktivity konkurence nebo legislativních změn. V této kapitole se podíváme na metody, které zvládají složitější sezónnost, a prozkoumáme, jak rozšířit modely ARIMA tak, aby bylo možné do nich zahrnout i další proměnné.

Exercise 1: Dynamická regrese Exercise 2: Předpověď prodejů s přihlédnutím k výdajům na reklamu Exercise 3: Předpověď spotřeby elektřiny Exercise 4: Dynamická harmonická regrese Exercise 5: Předpovídání týdenních dat Exercise 6: Harmonická regrese pro vícenásobnou sezónnost Exercise 7: Předpovídání rezervací hovorů Exercise 8: Modely TBATS Exercise 9: Modely TBATS pro spotřebu elektřiny Exercise 10: Tvoje budoucnost v předpovídání!