Metode tren Holt

Metode tren lokal Holt diimplementasikan dalam fungsi holt():

> holt(y, h = 10, ...)

Di sini, Anda akan menerapkannya pada deret austa, yang memuat jumlah tahunan pengunjung internasional ke Australia dari 1980–2015 (dalam jutaan). Data telah dimuat sebelumnya ke dalam workspace Anda.

Latihan ini merupakan bagian dari kursus

Peramalan di R

Instruksi latihan

Hasilkan prakiraan 10 tahun untuk austa menggunakan metode Holt. Atur h sesuai kebutuhan.
Gunakan fungsi summary() untuk melihat parameter model dan informasi lainnya.
Plot prakiraan Anda menggunakan fungsi pemetaan waktu standar.
Gunakan checkresiduals() untuk melihat apakah residual menyerupai white noise.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Produce 10 year forecasts of austa using holt()
fcholt <- ___

# Look at fitted model using summary()
___

# Plot the forecasts
___

# Check that the residuals look like white noise
___

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Peramalan di R

SkillTag.level.beginnerSkillTag.label

4.9+

Mulai Kursus Gratis

Hal pertama yang perlu dilakukan dalam setiap tugas analisis data adalah memvisualisasikan data. Grafik memungkinkan banyak karakteristik data dapat terlihat, termasuk pola, pengamatan yang tidak biasa, dan perubahan dari waktu ke waktu. Karakteristik yang tampak pada plot data tersebut kemudian harus, sejauh mungkin, diakomodasikan ke dalam metode peramalan yang akan digunakan.

Exercise 1: Selamat Datang di Peramalan Menggunakan R Exercise 2: Membuat objek deret waktu di R Exercise 3: Plot deret waktu Exercise 4: Plot musiman Exercise 5: Tren, musiman, dan siklus Exercise 6: Autokorelasi deret waktu non-musiman Exercise 7: Autokorelasi deret waktu musiman dan siklik Exercise 8: Cocokkan ACF dengan deret waktunya Exercise 9: White noise Exercise 10: Harga saham dan white noise

Pada bab ini, Anda akan mempelajari perangkat umum yang berguna untuk berbagai situasi peramalan. Bab ini akan menjelaskan beberapa metode untuk peramalan tolok ukur, metode untuk memeriksa apakah suatu metode peramalan telah memanfaatkan informasi yang tersedia dengan memadai, serta metode untuk mengukur akurasi prakiraan. Setiap alat yang dibahas dalam bab ini akan digunakan berulang kali pada bab-bab berikutnya saat Anda mengembangkan dan mengeksplorasi beragam metode peramalan.

Exercise 1: Peramalan dan kemungkinan masa depan Exercise 2: Metode peramalan naif Exercise 3: Nilai terpasang dan residu Exercise 4: Memeriksa residual deret waktu Exercise 5: Himpunan pelatihan dan pengujian Exercise 6: Mengevaluasi akurasi ramalan untuk metode non-musiman Exercise 7: Mengevaluasi akurasi peramalan metode musiman Exercise 8: Apakah saya memiliki model peramalan yang baik?Exercise 9: Cross-validation deret waktu Exercise 10: Menggunakan tsCV() untuk cross-validation deret waktu

Prakiraan yang dihasilkan menggunakan metode pemulusan eksponensial merupakan rata-rata berbobot dari pengamatan masa lalu, dengan bobot yang menurun secara eksponensial seiring semakin lamanya pengamatan. Dengan kata lain, semakin baru pengamatan, semakin tinggi bobot yang terkait. Kerangka kerja ini menghasilkan prakiraan yang andal dengan cepat dan untuk berbagai jenis deret waktu, yang merupakan keunggulan besar dan sangat penting bagi aplikasi bisnis.

Exercise 1: Peramalan berbobot eksponensial Exercise 2: Pemulusan eksponensial sederhana Exercise 3: SES vs naive Exercise 4: Metode pemulusan eksponensial dengan tren Exercise 5: Metode tren Holt

Latihan Saat Ini

Exercise 6: Metode pemulusan eksponensial dengan tren dan musiman Exercise 7: Holt-Winters dengan data bulanan Exercise 8: Metode Holt-Winters dengan data harian Exercise 9: Model ruang keadaan untuk exponential smoothing Exercise 10: Peramalan otomatis dengan exponential smoothing Exercise 11: ETS vs seasonal naive Exercise 12: Cocokkan model dengan deret waktunya Exercise 13: Kapan ETS gagal?

Model ARIMA menyediakan pendekatan lain untuk peramalan deret waktu. Pemulusan eksponensial dan model ARIMA adalah dua pendekatan yang paling banyak digunakan untuk peramalan deret waktu, dan memberikan pendekatan yang saling melengkapi terhadap permasalahan tersebut. Sementara model pemulusan eksponensial didasarkan pada deskripsi tren dan musiman dalam data, model ARIMA bertujuan menggambarkan autokorelasi dalam data.

Exercise 1: Transformasi untuk menstabilkan varians Exercise 2: Transformasi Box-Cox untuk deret waktu Exercise 3: Differencing non-musiman untuk stasioneritas Exercise 4: Pembedaan musiman untuk stasioneritas Exercise 5: Model ARIMA Exercise 6: Model ARIMA otomatis untuk deret waktu non-musiman Exercise 7: Peramalan dengan model ARIMA Exercise 8: Membandingkan auto.arima() dan ets() pada data non-musiman Exercise 9: Model ARIMA Musiman Exercise 10: Model ARIMA otomatis untuk deret waktu musiman Exercise 11: Mengeksplorasi opsi auto.arima()Exercise 12: Membandingkan auto.arima() dan ets() pada data musiman

Model deret waktu pada bab-bab sebelumnya bekerja dengan baik untuk banyak deret waktu, tetapi sering kali kurang cocok untuk data mingguan atau per jam, dan tidak memungkinkan penyertaan informasi lain seperti dampak hari libur, aktivitas pesaing, perubahan peraturan, dan sebagainya. Pada bab ini, Anda akan meninjau beberapa metode yang menangani kemusiman yang lebih rumit, serta mempertimbangkan cara memperluas model ARIMA agar memungkinkan informasi lain disertakan di dalamnya.

Exercise 1: Regresi dinamis Exercise 2: Meramalkan penjualan dengan mempertimbangkan pengeluaran iklan Exercise 3: Peramalan permintaan listrik Exercise 4: Regresi harmonik dinamis Exercise 5: Peramalan data mingguan Exercise 6: Regresi harmonik untuk multi-musiman Exercise 7: Peramalan pemesanan panggilan Exercise 8: Model TBATS Exercise 9: Model TBATS untuk permintaan listrik Exercise 10: Masa depan Anda dalam peramalan!