Buchungen von Anrufen vorhersagen
Eine weitere Zeitreihe mit mehreren saisonalen Perioden ist calls. Sie enthält für eine große nordamerikanische Bank die 5‑Minuten‑Anrufvolumina über 20 aufeinanderfolgende Tage. Es gibt 169 5‑Minuten‑Intervalle an einem Arbeitstag, daher ist die wöchentliche saisonale Frequenz 5 x 169 = 845. Die wöchentliche Saisonalität ist relativ schwach, deshalb modellierst du hier nur die tägliche Saisonalität. calls ist bereits in deinem Workspace geladen.
Die Residuen bestehen die White‑Noise‑Tests in diesem Fall weiterhin nicht, aber ihre Autokorrelationen sind winzig, auch wenn sie signifikant sind. Das liegt daran, dass die Serie so lang ist. Für so lange Serien ist es oft unrealistisch, Residuen zu haben, die die Tests bestehen. Der Einfluss der verbleibenden Korrelationen auf die Prognosen ist vernachlässigbar.
Diese Übung ist Teil des Kurses
Prognosen mit R
Anleitung zur Übung
- Plotte die
calls‑Daten, um die starke tägliche und die schwache wöchentliche Saisonalität zu sehen. - Richte die
xreg‑Matrix ein, mit Ordnung10für die tägliche Saisonalität und0für die wöchentliche Saisonalität. Beachte: Wenn du deinen Vektor falsch angibst, kann deine Sitzung ablaufen! - Passe ein dynamisches Regressionsmodell namens
fitmitauto.arima()an, mitseasonal = FALSEundstationary = TRUE. - Prüfe die Residuen des angepassten Modells.
- Erstelle die Prognosen für 10 Arbeitstage im Voraus als
fcund plotte sie dann. Die Aufgabenbeschreibung hilft dir, den richtigen Wert fürhzu bestimmen.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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 = ___))
___