콜 예약 예측하기
여러 계절 주기를 가진 또 다른 시계열은 calls이며, 북미의 한 대형 은행에서 수집한 5분 단위 콜 볼륨 데이터를 연속된 20일 동안 담고 있어요. 영업일 하루에는 5분 구간이 169개이며, 따라서 주간 계절 빈도는 5 × 169 = 845입니다. 주간 계절성은 비교적 약하므로 여기서는 일일 계절성만 모델링하겠습니다. calls는 이미 작업 공간에 로드되어 있어요.
이 경우 잔차는 여전히 백색 잡음 검정을 통과하지 못하지만, 유의하더라도 자기상관은 아주 작습니다. 이는 시계열 길이가 매우 길기 때문이에요. 이렇게 긴 시계열에서 검정을 모두 통과하는 잔차를 기대하는 것은 현실적이지 않은 경우가 많습니다. 남아 있는 상관이 예측에 미치는 영향은 무시할 수 있는 수준입니다.
이 연습은 강의의 일부입니다
R로 배우는 시계열 예측
연습 안내
- 강한 일일 계절성과 약한 주간 계절성을 확인하기 위해
calls데이터를 시각화하세요. - 일일 계절성은 차수
10, 주간 계절성은 차수0을 사용해xreg행렬을 설정하세요. 벡터를 잘못 지정하면 세션이 만료될 수 있으니 주의하세요! seasonal = FALSE,stationary = TRUE를 사용해auto.arima()로 동적 회귀 모형fit을 적합하세요.- 적합된 모형의 잔차를 점검하세요.
- 10 영업일 앞의 예측을
fc로 생성하고, 이를 시각화하세요. 적절한h값은 연습 문제 설명을 참고해 결정하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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 = ___))
___