Zacznij terazZacznij za darmo

Prognozowanie rezerwacji połączeń

Kolejnym szeregiem czasowym z wieloma okresami sezonowości jest calls, który zawiera dane o 5-minutowym wolumenie połączeń z 20 kolejnych dni dla dużego północnoamerykańskiego banku. W jednym dniu roboczym mieści się 169 pięciominutowych przedziałów, więc tygodniowa częstotliwość sezonowa wynosi 5 × 169 = 845. Sezonowość tygodniowa jest stosunkowo słaba, dlatego w tym ćwiczeniu modelujesz wyłącznie sezonowość dzienną. Zbiór calls jest już wczytany do twojego środowiska.

Reszty w tym przypadku nadal nie przechodzą testów na biały szum, jednak ich autokorelacje są znikome – mimo że są istotne statystycznie. Wynika to z dużej długości szeregu. W przypadku tak długich szeregów uzyskanie reszt spełniających wymogi testów jest często nierealistyczne. Wpływ pozostałych korelacji na prognozy będzie pomijalny.

To ćwiczenie jest częścią kursu

Prognozowanie w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Wykreśl dane calls, aby zobaczyć wyraźną sezonowość dzienną i słabą sezonowość tygodniową.
  • Przygotuj macierz xreg, używając rzędu 10 dla sezonowości dziennej i 0 dla sezonowości tygodniowej. Uwaga: niepoprawne zdefiniowanie wektora może spowodować wygaśnięcie sesji!
  • Dopasuj model regresji dynamicznej o nazwie fit, używając funkcji auto.arima() z parametrami seasonal = FALSE i stationary = TRUE.
  • Sprawdź reszty dopasowanego modelu.
  • Utwórz prognozy na 10 dni roboczych do przodu jako obiekt fc, a następnie wykreśl je. Opis ćwiczenia pomoże ci ustalić właściwą wartość h.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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 = ___))
___
Edytuj i uruchom kod