Naieve voorspellingsmethoden

Zoals je in de video hebt gezien, is een forecast het gemiddelde of de mediaan van gesimuleerde toekomsten van een tijdreeks.

De allereenvoudigste voorspellingsmethode is de meest recente observatie gebruiken; dit heet een naieve voorspelling en is geïmplementeerd in een gelijknamige functie. Dit is het beste wat je kunt doen voor veel tijdreeksen, waaronder de meeste aandelenkoersgegevens. En zelfs als het geen goede voorspellingsmethode is, biedt het een nuttige benchmark voor andere voorspellingsmethoden.

Voor seizoensgegevens is een verwant idee om het overeenkomstige seizoen uit het laatste jaar aan gegevens te gebruiken. Als je bijvoorbeeld het verkoopvolume voor komende maart wilt voorspellen, gebruik je het verkoopvolume van de vorige maart. Dit is geïmplementeerd in de functie snaive(), wat staat voor seasonal naive.

Voor beide voorspellingsmethoden kun je het tweede argument h instellen, waarmee je het aantal waarden opgeeft dat je wilt voorspellen; zoals in de code hieronder te zien is, hebben ze verschillende standaardwaarden. De resulterende output is een object van de klasse forecast. Dit is de kernklasse van objecten in het forecast-pakket, en er zijn veel functies om ermee te werken, waaronder summary() en autoplot().

naive(y, h = 10)
snaive(y, h = 2 * frequency(x))

Je gaat deze twee functies uitproberen op respectievelijk de goog-reeks en de ausbeer-reeks. Deze staan klaar in je werkruimte.

Deze oefening maakt deel uit van de cursus

Voorspellen in R

Cursus bekijken

Oefeninstructies

Gebruik naive() om de volgende 20 waarden van de goog-reeks te voorspellen en sla dit op in fcgoog.
Plot en vat de voorspellingen samen met autoplot() en summary().
Gebruik snaive() om de volgende 16 waarden van de ausbeer-reeks te voorspellen en sla dit op in fcbeer.
Plot en vat de voorspellingen voor fcbeer op dezelfde manier samen als je voor fcgoog deed.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Use naive() to forecast the goog series
fcgoog <- naive(___, ___)

# Plot and summarize the forecasts
___(___)
___(___)

# Use snaive() to forecast the ausbeer series
fcbeer <- ___

# Plot and summarize the forecasts
___
___

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Voorspellen in R

SkillTag.level.beginnerSkillTag.label

4.9+

Begin de cursus gratis

The first thing to do in any data analysis task is to plot the data. Graphs enable many features of the data to be visualized, including patterns, unusual observations, and changes over time. The features that are seen in plots of the data must then be incorporated, as far as possible, into the forecasting methods to be used.

Exercise 1: Welcome to Forecasting Using R Exercise 2: Creating time series objects in R Exercise 3: Time series plots Exercise 4: Seasonal plots Exercise 5: Trends, seasonality, and cyclicity Exercise 6: Autocorrelation of non-seasonal time series Exercise 7: Autocorrelation of seasonal and cyclic time series Exercise 8: Match the ACF to the time series Exercise 9: White noise Exercise 10: Stock prices and white noise

In this chapter, you will learn general tools that are useful for many different forecasting situations. It will describe some methods for benchmark forecasting, methods for checking whether a forecasting method has adequately utilized the available information, and methods for measuring forecast accuracy. Each of the tools discussed in this chapter will be used repeatedly in subsequent chapters as you develop and explore a range of forecasting methods.

Exercise 1: Voorspellingen en mogelijke toekomsten Exercise 2: Naieve voorspellingsmethoden

Huidige oefening

Exercise 3: Aangepaste waarden en residuen Exercise 4: Residu’s van tijdreeksen controleren Exercise 5: Trainings- en testsets Exercise 6: Voorspellingsnauwkeurigheid evalueren voor niet-seizoensgebonden methoden Exercise 7: Voorspellingsnauwkeurigheid van seizoensmethoden evalueren Exercise 8: Heb ik een goed voorspelmodel?Exercise 9: Tijdreeks-crossvalidatie Exercise 10: tsCV() gebruiken voor tijdreeks-crossvalidatie

Forecasts produced using exponential smoothing methods are weighted averages of past observations, with the weights decaying exponentially as the observations get older. In other words, the more recent the observation, the higher the associated weight. This framework generates reliable forecasts quickly and for a wide range of time series, which is a great advantage and of major importance to applications in business.

Exercise 1: Exponentially weighted forecasts Exercise 2: Simple exponential smoothing Exercise 3: SES vs naive Exercise 4: Exponential smoothing methods with trend Exercise 5: Holt's trend methods Exercise 6: Exponential smoothing methods with trend and seasonality Exercise 7: Holt-Winters with monthly data Exercise 8: Holt-Winters method with daily data Exercise 9: State space models for exponential smoothing Exercise 10: Automatic forecasting with exponential smoothing Exercise 11: ETS vs seasonal naive Exercise 12: Match the models to the time series Exercise 13: When does ETS fail?

ARIMA models provide another approach to time series forecasting. Exponential smoothing and ARIMA models are the two most widely-used approaches to time series forecasting, and provide complementary approaches to the problem. While exponential smoothing models are based on a description of the trend and seasonality in the data, ARIMA models aim to describe the autocorrelations in the data.

Exercise 1: Transformations for variance stabilization Exercise 2: Box-Cox transformations for time series Exercise 3: Non-seasonal differencing for stationarity Exercise 4: Seasonal differencing for stationarity Exercise 5: ARIMA models Exercise 6: Automatic ARIMA models for non-seasonal time series Exercise 7: Forecasting with ARIMA models Exercise 8: Comparing auto.arima() and ets() on non-seasonal data Exercise 9: Seasonal ARIMA models Exercise 10: Automatic ARIMA models for seasonal time series Exercise 11: Exploring auto.arima() options Exercise 12: Comparing auto.arima() and ets() on seasonal data

The time series models in the previous chapters work well for many time series, but they are often not good for weekly or hourly data, and they do not allow for the inclusion of other information such as the effects of holidays, competitor activity, changes in the law, etc. In this chapter, you will look at some methods that handle more complicated seasonality, and you consider how to extend ARIMA models in order to allow other information to be included in the them.

Exercise 1: Dynamic regression Exercise 2: Forecasting sales allowing for advertising expenditure Exercise 3: Forecasting electricity demand Exercise 4: Dynamic harmonic regression Exercise 5: Forecasting weekly data Exercise 6: Harmonic regression for multiple seasonality Exercise 7: Forecasting call bookings Exercise 8: TBATS models Exercise 9: TBATS models for electricity demand Exercise 10: Your future in forecasting!