Naiwne metody prognozowania

Jak pokazano w filmie, prognoza to średnia lub mediana symulowanych przyszłych wartości szeregu czasowego.

Najprostsza metoda prognozowania polega na użyciu ostatniej zaobserwowanej wartości – nazywamy ją prognozą naiwną i można ją zastosować za pomocą funkcji o tej samej nazwie. Dla wielu szeregów czasowych, w tym większości danych giełdowych, jest to najlepsze, co można osiągnąć. Nawet jeśli nie jest to szczególnie dokładna metoda, stanowi przydatny punkt odniesienia dla innych metod prognozowania.

W przypadku danych sezonowych podobne podejście polega na użyciu wartości z odpowiadającego sezonu z poprzedniego roku. Na przykład, jeśli chcesz prognozować wolumen sprzedaży w marcu przyszłego roku, możesz wykorzystać wolumen sprzedaży z marca roku poprzedniego. Takie podejście implementuje funkcja snaive(), czyli sezonowa prognoza naiwna.

Obie funkcje przyjmują drugi argument h, który określa liczbę wartości do prognozowania. Jak widać w poniższym kodzie, mają różne wartości domyślne. Wynikiem działania obu funkcji jest obiekt klasy forecast – to podstawowa klasa obiektów w pakiecie forecast. Dostępnych jest wiele funkcji do pracy z tymi obiektami, m.in. summary() i autoplot().

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

Wypróbujesz obie funkcje: naive() na szeregu goog oraz snaive() na szeregu ausbeer. Oba szeregi są dostępne w twoim środowisku pracy.

To ćwiczenie jest częścią kursu

Prognozowanie w R

Instrukcje do ćwiczenia

Użyj funkcji naive(), aby prognozować kolejne 20 wartości szeregu goog, i zapisz wynik do fcgoog.
Zwizualizuj i podsumuj prognozy, używając autoplot() i summary().
Użyj funkcji snaive(), aby prognozować kolejne 16 wartości szeregu ausbeer, i zapisz wynik do fcbeer.
Zwizualizuj i podsumuj prognozy dla fcbeer w taki sam sposób jak dla fcgoog.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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
___
___

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Prognozowanie w R

SkillTag.level.beginnerSkillTag.label

4.9+

Rozpocznij kurs za darmo

Pierwszym krokiem w każdej analizie danych jest wizualizacja. Wykresy pozwalają dostrzec wiele cech danych: wzorce, nietypowe obserwacje i zmiany w czasie. Wszystko, co uda się zaobserwować na wykresach, powinno być – w miarę możliwości – uwzględnione w stosowanych metodach prognozowania.

Exercise 1: Witaj w kursie Forecasting in R Exercise 2: Tworzenie obiektów szeregów czasowych w R Exercise 3: Wykresy szeregów czasowych Exercise 4: Wykresy sezonowe Exercise 5: Trendy, sezonowość i cykliczność Exercise 6: Autokorelacja szeregu czasowego bez sezonowości Exercise 7: Autokorelacja sezonowych i cyklicznych szeregów czasowych Exercise 8: Dopasuj ACF do szeregu czasowego Exercise 9: Biały szum Exercise 10: Ceny akcji i biały szum

W tym rozdziale poznasz ogólne narzędzia przydatne w różnych sytuacjach prognozowania. Omówione zostaną metody prognozowania referencyjnego, metody sprawdzania, czy dana metoda prognozowania w pełni wykorzystuje dostępne informacje, a także metody mierzenia dokładności prognoz. Każde z tych narzędzi będzie wielokrotnie stosowane w kolejnych rozdziałach, podczas gdy będziesz rozwijać i zgłębiać różne metody prognozowania.

Exercise 1: Prognozy i możliwe scenariusze Exercise 2: Naiwne metody prognozowania

Bieżące ćwiczenie

Exercise 3: Dopasowane wartości i reszty Exercise 4: Sprawdzanie reszt szeregu czasowego Exercise 5: Zbiór treningowy i testowy Exercise 6: Ocena dokładności prognoz metodami niesezonowymi Exercise 7: Ocena dokładności prognoz metod sezonowych Exercise 8: Czy mój model prognozujący jest dobry?Exercise 9: Kroswalidacja szeregów czasowych Exercise 10: Wykorzystanie tsCV() do krzyżowej walidacji szeregów czasowych

Prognozy uzyskiwane metodami wygładzania wykładniczego są ważonymi średnimi przeszłych obserwacji, przy czym wagi maleją wykładniczo wraz ze starszymi obserwacjami. Innymi słowy, im nowsza obserwacja, tym większa przypisana jej waga. To podejście pozwala szybko uzyskiwać wiarygodne prognozy dla szerokiej gamy szeregów czasowych, co stanowi jego dużą zaletę i ma kluczowe znaczenie w zastosowaniach biznesowych.

Exercise 1: Prognozy z wykładniczym ważeniem Exercise 2: Proste wygładzanie wykładnicze Exercise 3: SES a metoda naiwna Exercise 4: Metody wygładzania wykładniczego z trendem Exercise 5: Metody trendu Holta Exercise 6: Metody wygładzania wykładniczego z trendem i sezonowością Exercise 7: Holt-Winters dla danych miesięcznych Exercise 8: Metoda Holta-Wintersa dla danych dziennych Exercise 9: Modele przestrzeni stanów dla wygładzania wykładniczego Exercise 10: Automatyczne prognozowanie z wygładzaniem wykładniczym Exercise 11: ETS kontra sezonowa metoda naiwna Exercise 12: Dopasuj modele do szeregów czasowych Exercise 13: Kiedy ETS zawodzi?

Modele ARIMA to kolejne podejście do prognozowania szeregów czasowych. Wygładzanie wykładnicze i modele ARIMA to dwie najszerzej stosowane metody prognozowania szeregów czasowych – uzupełniają się nawzajem. O ile modele wygładzania wykładniczego opierają się na opisie trendu i sezonowości w danych, o tyle modele ARIMA mają na celu opisanie autokorelacji w danych.

Exercise 1: Transformacje stabilizujące wariancję Exercise 2: Transformacje Boxa-Coxa dla szeregów czasowych Exercise 3: Różnicowanie niesezonowe w celu uzyskania stacjonarności Exercise 4: Różnicowanie sezonowe a stacjonarność Exercise 5: Modele ARIMA Exercise 6: Automatyczne modele ARIMA dla niesezonowych szeregów czasowych Exercise 7: Prognozowanie za pomocą modeli ARIMA Exercise 8: Porównanie auto.arima() i ets() na danych bez sezonowości Exercise 9: Sezonowe modele ARIMA Exercise 10: Automatyczne modele ARIMA dla sezonowych szeregów czasowych Exercise 11: Odkrywanie opcji auto.arima()Exercise 12: Porównanie auto.arima() i ets() na danych sezonowych

Modele szeregów czasowych omówione w poprzednich rozdziałach sprawdzają się w wielu przypadkach, ale często nie są odpowiednie dla danych tygodniowych lub godzinowych i nie uwzględniają dodatkowych informacji – takich jak wpływ świąt, aktywności konkurencji czy zmian przepisów prawa. W tym rozdziale przyjrzysz się metodom obsługującym bardziej złożoną sezonowość i zobaczysz, jak rozszerzyć modele ARIMA, aby możliwe było uwzględnienie w nich dodatkowych informacji.

Exercise 1: Regresja dynamiczna Exercise 2: Prognozowanie sprzedaży z uwzględnieniem wydatków na reklamę Exercise 3: Prognozowanie zapotrzebowania na energię elektryczną Exercise 4: Dynamiczna regresja harmoniczna Exercise 5: Prognozowanie danych tygodniowych Exercise 6: Regresja harmoniczna dla wielokrotnej sezonowości Exercise 7: Prognozowanie rezerwacji połączeń Exercise 8: Modele TBATS Exercise 9: Modele TBATS dla zapotrzebowania na energię elektryczną Exercise 10: Twoja przyszłość w prognozowaniu!