CommencerCommencer gratuitement

Méthode de Holt-Winters avec des données quotidiennes

La méthode de Holt-Winters peut aussi s’appliquer à des données quotidiennes, où la saisonnalité a une longueur de 7, et l’unité de temps appropriée pour h est le jour.

Ici, vous allez comparer une méthode de Holt-Winters additive et une méthode naive() saisonnière sur les données hyndsight, qui contiennent les pages vues quotidiennes du blog Hyndsight pendant un an à partir du 30 avril 2014. Les données sont disponibles dans votre espace de travail.

Cet exercice fait partie du cours

Prévision en R

Afficher le cours

Instructions

  • Avec subset.ts(), créez un ensemble d’entraînement en omettant les 4 dernières semaines des données disponibles dans hyndsight.
  • Produisez des prévisions pour ces 4 dernières semaines avec hw() et une saisonnalité additive appliquée aux données d’entraînement. Assignez le résultat à fchw.
  • Produisez des prévisions naïves saisonnières pour la même période. Utilisez la fonction appropriée, présentée dans un chapitre précédent, et assignez le résultat à fcsn.
  • Lequel des deux jeux de prévisions est le meilleur selon la RMSE ? Utilisez la fonction accuracy() pour le déterminer.
  • Produisez des graphiques temporels de ces prévisions.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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(___)
Modifier et exécuter le code