始める無料で始める

コール予約の予測

複数の季節周期を持つ別の時系列として calls があります。これは、北米の大手銀行における5分ごとのコール件数データを20営業日分、連続で含んでいます。1営業日には5分区間が169本あるため、週次の季節頻度は 5 x 169 = 845 です。週次の季節性は比較的弱いため、ここでは日次の季節性のみをモデル化します。calls はワークスペースにあらかじめ読み込まれています。

この場合の残差は白色雑音の検定に依然として合格しませんが、有意ではあるものの自己相関はごく小さい値です。これは系列が非常に長いためです。これほど長い系列で、残差が検定に合格するのは非現実的なことも多いです。残った自己相関が予測に与える影響はごくわずかです。

この演習はコースの一部です

Rで学ぶ予測入門

コースを見る

演習の手順

  • calls データをプロットして、強い日次季節性と弱い週次季節性を確認します。
  • 日次季節性を 10、週次季節性を 0 として、xreg 行列を作成します。ベクトルの指定を誤るとセッションが終了する場合があるので注意してください。
  • seasonal = FALSE、stationary = TRUE を指定して、auto.arima() による動的回帰モデルを fit という名前で学習します。
  • 学習済みモデルの残差をチェックします。
  • 営業日で10日先までの予測を fc として作成し、プロットします。適切な h の値は演習の説明を参考にしてください。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# 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 = ___))
___
コードを編集して実行