Previsión de reservas de llamadas

Otra serie temporal con múltiples periodos estacionales es calls, que contiene 20 días consecutivos de datos de volumen de llamadas cada 5 minutos para un gran banco norteamericano. Hay 169 intervalos de 5 minutos en un día laborable, por lo que la frecuencia estacional semanal es 5 x 169 = 845. La estacionalidad semanal es relativamente débil, así que aquí solo modelarás la estacionalidad diaria. calls está precargado en tu espacio de trabajo.

En este caso, los residuos siguen sin superar las pruebas de ruido blanco, pero sus autocorrelaciones son minúsculas, aunque significativas. Esto se debe a que la serie es muy larga. A menudo no es realista que los residuos aprueben las pruebas en series tan largas. El efecto de las correlaciones restantes en las previsiones será despreciable.

Este ejercicio forma parte del curso

Forecasting en R

Instrucciones del ejercicio

Grafica los datos de calls para ver la fuerte estacionalidad diaria y la débil estacionalidad semanal.
Configura la matriz xreg usando orden 10 para la estacionalidad diaria y 0 para la estacionalidad semanal. Ten en cuenta que si especificas mal tu vector, ¡tu sesión puede caducar!
Ajusta un modelo de regresión dinámica llamado fit usando auto.arima() con seasonal = FALSE y stationary = TRUE.
Revisa los residuos del modelo ajustado.
Crea las previsiones para 10 días laborables como fc y luego represéntalas. La descripción del ejercicio debería ayudarte a determinar el valor adecuado de h.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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 = ___))
___

Editar y ejecutar código

Este ejercicio forma parte del curso

Forecasting en R

PrincipianteNivel de habilidad

4.9+

Empieza el curso gratis

Lo primero en cualquier análisis de datos es representar los datos. Los gráficos permiten visualizar muchas características, incluidas pautas, observaciones inusuales y cambios a lo largo del tiempo. Las características que se observen en las gráficas deben incorporarse, en la medida de lo posible, a los métodos de forecasting que vayas a utilizar.

Exercise 1: Bienvenido a Forecasting Using R Exercise 2: Creación de objetos de series temporales en R Exercise 3: Gráficos de series temporales Exercise 4: Gráficos estacionales Exercise 5: Tendencia, estacionalidad y ciclicidad Exercise 6: Autocorrelación de series temporales no estacionales Exercise 7: Autocorrelación de series temporales estacionales y cíclicas Exercise 8: Relaciona la ACF con la serie temporal Exercise 9: Ruido blanco Exercise 10: Precios de acciones y ruido blanco

En este capítulo aprenderás herramientas generales útiles en muchas situaciones de forecasting. Verás algunos métodos de referencia para comparar previsiones, métodos para comprobar si un método de forecasting ha aprovechado bien la información disponible y métodos para medir la precisión de las previsiones. Cada una de las herramientas tratadas aquí se usará repetidamente en los capítulos siguientes a medida que desarrolles y explores distintos métodos de forecasting.

Exercise 1: Pronósticos y futuros posibles Exercise 2: Métodos ingenuos de pronóstico Exercise 3: Valores ajustados y residuos Exercise 4: Comprobación de los residuos de series temporales Exercise 5: Conjuntos de entrenamiento y prueba Exercise 6: Evaluación de la precisión de pronósticos sin estacionalidad Exercise 7: Evaluar la precisión de pronósticos estacionales Exercise 8: ¿Tengo un buen modelo de pronóstico?Exercise 9: Validación cruzada en series temporales Exercise 10: Uso de tsCV() para la validación cruzada en series temporales

Las previsiones obtenidas con métodos de suavizado exponencial son medias ponderadas de observaciones pasadas, con pesos que decrecen exponencialmente a medida que las observaciones son más antiguas. Es decir, cuanto más reciente es la observación, mayor es su peso. Este enfoque genera previsiones fiables de forma rápida y para una amplia variedad de series temporales, lo cual es una gran ventaja y de gran importancia para aplicaciones de negocio.

Exercise 1: Pronósticos con ponderación exponencial Exercise 2: Suavizado exponencial simple Exercise 3: SES vs naive Exercise 4: Métodos de suavizado exponencial con tendencia Exercise 5: Métodos de tendencia de Holt Exercise 6: Métodos de suavizado exponencial con tendencia y estacionalidad Exercise 7: Holt-Winters con datos mensuales Exercise 8: Método de Holt-Winters con datos diarios Exercise 9: Modelos de espacio de estados para el suavizado exponencial Exercise 10: Pronóstico automático con suavizado exponencial Exercise 11: ETS vs seasonal naive Exercise 12: Relaciona los modelos con las series temporales Exercise 13: ¿Cuándo falla ETS?

Los modelos ARIMA ofrecen otro enfoque para el forecasting de series temporales. El suavizado exponencial y los modelos ARIMA son los dos enfoques más utilizados para el forecasting de series temporales y son complementarios. Mientras que los modelos de suavizado exponencial se basan en describir la tendencia y la estacionalidad de los datos, los modelos ARIMA buscan describir las autocorrelaciones presentes en los datos.

Exercise 1: Transformaciones para estabilizar la varianza Exercise 2: Transformaciones Box-Cox para series temporales Exercise 3: Diferenciación no estacional para estacionariedad Exercise 4: Diferenciación estacional para estacionariedad Exercise 5: Modelos ARIMA Exercise 6: Modelos ARIMA automáticos para series temporales no estacionales Exercise 7: Pronosticar con modelos ARIMA Exercise 8: Comparar auto.arima() y ets() en datos sin estacionalidad Exercise 9: Modelos ARIMA estacionales Exercise 10: Modelos ARIMA automáticos para series temporales estacionales Exercise 11: Explorar las opciones de auto.arima()Exercise 12: Comparar auto.arima() y ets() en datos estacionales

Los modelos de series temporales de los capítulos anteriores funcionan bien para muchas series, pero a menudo no son adecuados para datos semanales u horarios y no permiten incluir otra información como efectos de festivos, actividad de la competencia, cambios legislativos, etc. En este capítulo, verás algunos métodos que gestionan una estacionalidad más compleja y considerarás cómo ampliar los modelos ARIMA para poder incluir otra información en ellos.

Exercise 1: Regresión dinámica Exercise 2: Pronosticando ventas teniendo en cuenta el gasto en publicidad Exercise 3: Pronóstico de demanda eléctrica Exercise 4: Regresión armónica dinámica Exercise 5: Pronosticar datos semanales Exercise 6: Regresión armónica para estacionalidad múltiple Exercise 7: Previsión de reservas de llamadas

Ejercicio actual

Exercise 8: Modelos TBATS Exercise 9: Modelos TBATS para la demanda de electricidad Exercise 10: ¡Tu futuro en previsión!