Metody exponenciálního vyhlazování s trendem a sezónností

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

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 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

Aktuální cvičení

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!