TBATS-Modelle für Stromnachfrage
Wie du im Video gesehen hast, ist ein TBATS-Modell eine spezielle Art von Zeitreihenmodell. Es kann sehr langsam zu schätzen sein, besonders bei Zeitreihen mit mehrfacher Saisonalität. Daher probierst du es in dieser Übung an einer einfacheren Reihe aus, um Zeit zu sparen. Zerlegen wir die Elemente eines TBATS-Modells in TBATS(1, {0,0}, -, {<51.18,14>}), einem der Grafiktitel aus dem Video:
| Komponente | Bedeutung |
|---|---|
| 1 | Box-Cox-Transformationsparameter |
| {0,0} | ARMA-Fehler |
| - | Dämpfungsparameter |
| {\<51.18,14>} | Saisonlänge, Fourier-Terme |
Die Daten gas enthalten die australische monatliche Gasproduktion. Ein Plot der Daten zeigt, dass sich die Varianz im Zeitverlauf stark verändert hat, daher ist eine Transformation nötig. Auch die Saisonalität hat ihre Form im Zeitverlauf geändert, und es gibt einen starken Trend. Das macht die Reihe ideal, um die Funktion tbats() zu testen, die genau für solche Eigenschaften entwickelt wurde.
gas steht dir in deinem Workspace zur Verfügung.
Diese Übung ist Teil des Kurses
Prognosen mit R
Anleitung zur Übung
- Plotte
gasmit der Standard-Plotfunktion. - Schätze ein TBATS-Modell mit der neu vorgestellten Methode für die Gasdaten und speichere es als
fit. - Erstelle eine Prognose der Reihe für die nächsten 5 Jahre als
fc. - Plotte die Prognosen von
fc. Prüfe den Grafiktitel mithilfe der obigen Tabelle. - Speichere den Box-Cox-Parameter auf 3 Dezimalstellen sowie die Ordnung der Fourier-Terme in
lambdabzw.K.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Plot the gas data
___(___)
# Fit a TBATS model to the gas data
fit <- ___(___)
# Forecast the series for the next 5 years
fc <- ___(___)
# Plot the forecasts
___(___)
# Record the Box-Cox parameter and the order of the Fourier terms
lambda <- ___
K <- ___