Previsão com dados semanais

Com dados semanais, é difícil lidar com sazonalidade usando modelos ETS ou ARIMA, pois o período sazonal é muito grande (aproximadamente 52). Em vez disso, você pode usar regressão harmônica, que utiliza senos e cossenos para modelar a sazonalidade.

A função fourier() facilita a geração dos harmônicos necessários. Quanto maior a ordem (\(K\)), mais “ondulado” o padrão sazonal pode ser. Com \(K=1\), é uma curva seno simples. Você pode selecionar o valor de \(K\) minimizando o AICc. Como você viu no vídeo, fourier() recebe uma série temporal obrigatória, o número obrigatório de termos de Fourier a gerar e um número opcional de linhas para previsão:

> # fourier(x, K, h = NULL)

> fit <- auto.arima(cafe, xreg = fourier(cafe, K = 6),
                    seasonal = FALSE, lambda = 0)
> fit %>%
    forecast(xreg = fourier(cafe, K = 6, h = 24)) %>%
    autoplot() + ylim(1.6, 5.1)

Os dados pré-carregados gasoline reúnem observações semanais de produtos de gasolina automotiva finalizados nos EUA. Neste exercício, você vai ajustar uma regressão harmônica a esse conjunto de dados e prever os próximos 3 anos.

Este exercício faz parte do curso

Previsão em R

Instruções do exercício

Crie uma matriz xreg chamada harmonics usando o método fourier() em gasoline com ordem \(K=13\), escolhida para minimizar o AICc.
Ajuste um modelo de regressão dinâmica em fit. Defina xreg como harmonics e seasonal como FALSE, pois a sazonalidade é tratada pelos regressores.
Crie uma nova matriz xreg chamada newharmonics de forma semelhante e, em seguida, calcule as previsões para os próximos três anos como fc.
Por fim, faça o gráfico das previsões fc.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Set up harmonic regressors of order 13
harmonics <- fourier(___, K = ___)

# Fit regression model with ARIMA errors
fit <- auto.arima(___, xreg = ___, seasonal = ___)

# Forecasts next 3 years
newharmonics <- fourier(___, K = ___, h = ___)
fc <- forecast(___, xreg = ___)

# Plot forecasts fc
___

Editar e executar o código

Este exercício faz parte do curso

Previsão em R

InicianteNível de habilidade

4.9+

Iniciar curso de graça

A primeira coisa a fazer em qualquer análise de dados é plotar os dados. Gráficos permitem visualizar muitos aspectos dos dados, incluindo padrões, observações incomuns e mudanças ao longo do tempo. As características vistas nos gráficos dos dados devem então ser incorporadas, na medida do possível, aos métodos de previsão que serão usados.

Exercise 1: Bem-vindo(a) à previsão em R Exercise 2: Criando objetos de séries temporais em R Exercise 3: Gráficos de séries temporais Exercise 4: Gráficos sazonais Exercise 5: Tendências, sazonalidade e ciclicidade Exercise 6: Autocorrelação de séries temporais não sazonais Exercise 7: Autocorrelação de séries temporais sazonais e cíclicas Exercise 8: Associe a ACF à série temporal Exercise 9: Ruído branco Exercise 10: Preços de ações e ruído branco

Neste capítulo, você vai aprender ferramentas gerais úteis para muitas situações de previsão. Ele descreve alguns métodos de previsão de referência, métodos para verificar se um método de previsão aproveitou adequadamente as informações disponíveis e métodos para medir a precisão das previsões. Cada uma das ferramentas discutidas aqui será utilizada repetidamente nos capítulos seguintes, à medida que você desenvolve e explora uma variedade de métodos de previsão.

Exercise 1: Previsões e futuros possíveis Exercise 2: Métodos ingênuos de previsão Exercise 3: Valores ajustados e resíduos Exercise 4: Verificando resíduos de séries temporais Exercise 5: Conjuntos de treino e teste Exercise 6: Avaliando a acurácia de previsões com métodos não sazonais Exercise 7: Avaliando a precisão de previsões com sazonalidade Exercise 8: Eu tenho um bom modelo de previsão?Exercise 9: Validação cruzada em séries temporais Exercise 10: Usando tsCV() para validação cruzada em séries temporais

Previsões produzidas com métodos de suavização exponencial são médias ponderadas das observações passadas, com pesos que decaem exponencialmente à medida que as observações ficam mais antigas. Em outras palavras, quanto mais recente a observação, maior o peso associado. Essa abordagem gera previsões confiáveis de forma rápida e para uma ampla gama de séries temporais, o que é uma grande vantagem e de grande importância para aplicações em negócios.

Exercise 1: Previsões com pesos exponenciais Exercise 2: Suavização exponencial simples Exercise 3: SES vs ingênuo Exercise 4: Métodos de suavização exponencial com tendência Exercise 5: Métodos de tendência de Holt Exercise 6: Métodos de suavização exponencial com tendência e sazonalidade Exercise 7: Holt-Winters com dados mensais Exercise 8: Método de Holt-Winters com dados diários Exercise 9: Modelos de espaço de estados para suavização exponencial Exercise 10: Previsão automática com suavização exponencial Exercise 11: ETS vs sazonal ingênuo Exercise 12: Associe os modelos às séries temporais Exercise 13: Quando o ETS falha?

Modelos ARIMA oferecem outra abordagem para previsão de séries temporais. Suavização exponencial e modelos ARIMA são as duas abordagens mais usadas para previsão de séries temporais e fornecem abordagens complementares ao problema. Enquanto modelos de suavização exponencial se baseiam em uma descrição da tendência e da sazonalidade nos dados, modelos ARIMA buscam descrever as autocorrelações nos dados.

Exercise 1: Transformações para estabilização da variância Exercise 2: Transformações de Box-Cox para séries temporais Exercise 3: Diferenciação não sazonal para estacionariedade Exercise 4: Diferença sazonal para estacionariedade Exercise 5: Modelos ARIMA Exercise 6: Modelos ARIMA automáticos para séries temporais não sazonais Exercise 7: Previsão com modelos ARIMA Exercise 8: Comparando auto.arima() e ets() em dados sem sazonalidade Exercise 9: Modelos ARIMA sazonais Exercise 10: Modelos ARIMA automáticos para séries sazonais Exercise 11: Explorando as opções de auto.arima()Exercise 12: Comparando auto.arima() e ets() em dados sazonais

Os modelos de séries temporais dos capítulos anteriores funcionam bem para muitas séries, mas muitas vezes não são bons para dados semanais ou horários e não permitem incluir outras informações, como efeitos de feriados, atividade de concorrentes, mudanças na legislação etc. Neste capítulo, você verá alguns métodos que lidam com sazonalidade mais complexa e considerará como estender modelos ARIMA para permitir a inclusão de outras informações neles.

Exercise 1: Regressão dinâmica Exercise 2: Prevendo vendas considerando gastos com publicidade Exercise 3: Prevendo a demanda de eletricidade Exercise 4: Regressão harmônica dinâmica Exercise 5: Previsão com dados semanais

Exercício atual

Exercise 6: Regressão harmônica para sazonalidade múltipla Exercise 7: Prevendo agendamentos de chamadas Exercise 8: Modelos TBATS Exercise 9: Modelos TBATS para demanda de eletricidade Exercise 10: Seu futuro em previsão de séries temporais!