LoslegenKostenlos loslegen

Holt-Winters-Verfahren mit täglichen Daten

Das Holt-Winters-Verfahren kann auch für tägliche Daten verwendet werden, bei denen das saisonale Muster die Länge 7 hat und die passende Einheit für h in Tagen angegeben wird.

Hier vergleichst du ein additives Holt-Winters-Verfahren und eine saisonale naive()-Methode für die hyndsight-Daten. Diese enthalten die täglichen Seitenaufrufe des Hyndsight-Blogs für ein Jahr ab dem 30. April 2014. Die Daten stehen dir in deinem Workspace zur Verfügung.

Diese Übung ist Teil des Kurses

Prognosen mit R

Kurs anzeigen

Anleitung zur Übung

  • Richte mit subset.ts() ein Trainingsset ein, bei dem die letzten 4 Wochen der verfügbaren Daten in hyndsight entfernt wurden.
  • Erzeuge Prognosen für diese letzten 4 Wochen mit hw() und additiver Saisonalität auf Basis der Trainingsdaten. Weise das Ergebnis fchw zu.
  • Erzeuge saisonale naive Prognosen für denselben Zeitraum. Verwende die passende Funktion aus einem früheren Kapitel und weise das Ergebnis fcsn zu.
  • Welche der beiden Prognosen ist basierend auf dem RMSE besser? Verwende dazu die Funktion accuracy().
  • Erstelle Zeitdiagramme dieser Prognosen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create training data with subset()
train <- subset(___, end = ___)

# Holt-Winters additive forecasts as fchw
fchw <- hw(___, seasonal = ___, h = ___)

# Seasonal naive forecasts as fcsn
fcsn <- ___

# Find better forecasts with accuracy()
accuracy(___, ___)
accuracy(___, ___)

# Plot the better forecasts
autoplot(___)
Code bearbeiten und ausführen