Prognostisering av elförbrukning

Det går också att modellera daglig elförbrukning som en funktion av temperaturen. Som du kanske har sett på din elräkning förbrukas mer el varma dagar på grund av luftkonditionering och kalla dagar på grund av uppvärmning.

I den här övningen anpassar du en kvadratisk regressionsmodell med ett ARMA-fel. Ett års dagliga data finns lagrade i elecdaily, och inkluderar total daglig efterfrågan, en indikatorvariabel för arbetsdagar (en arbetsdag representeras med 1 och en icke-arbetsdag med 0) samt dagliga maximitemperaturer. Eftersom det finns veckosäsongsvariationer har frequency satts till 7.

Här är de tre första raderna:

> elecdaily[1:3, ]
       Demand Temperature Workday
[1,] 174.8963        26.0       0
[2,] 188.5909        23.0       1
[3,] 188.9169        22.2       1

elecdaily har förinslästs i din arbetsmiljö.

Den här övningen är en del av kursen

Prognoser i R

Övningsinstruktioner

Skapa tidsplottar för enbart den dagliga efterfrågan och maximitemperaturerna med facettering.
Sätt upp en matris med regressorer som inkluderar MaxTemp för maximitemperaturerna, MaxTempSq som representerar det kvadrerade värdet av maximitemperaturen, och Workday, i den ordningen. Den andra argumentet i cbind() kräver en enkel matematisk operator.
Anpassa en dynamisk regressionsmodell av efterfrågekolumnen med ARIMA-fel och kalla denna fit.
Om nästa dag är en arbetsdag (indikator är 1) med en prognostiserad maxtemperatur på 20°C, vad är den prognostiserade efterfrågan? Fyll i lämpliga värden i cbind() för argumentet xreg i forecast().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Time plots of demand and temperatures
autoplot(elecdaily[, c(___, ___)], facets = ___)

# Matrix of regressors
xreg <- cbind(MaxTemp = elecdaily[, "Temperature"],
              MaxTempSq = ___,
              Workday = ___)

# Fit model
fit <- auto.arima(___, xreg = xreg)

# Forecast fit one day ahead
forecast(___, xreg = cbind(___, ___, ___))

Redigera och kör kod

Den här övningen är en del av kursen

Prognoser i R

SkillTag.level.beginnerSkillTag.label

4.9+

Starta kursen gratis

Det första steget i varje dataanalys är att visualisera data. Diagram gör det möjligt att urskilja många egenskaper i data, däribland mönster, avvikande observationer och förändringar över tid. De mönster som syns i diagrammen bör sedan, så långt det är möjligt, beaktas i de prognosmetoder som används.

Exercise 1: Välkommen till Forecasting i R Exercise 2: Skapa tidsserieobjekt i R Exercise 3: Tidsseriegrafer Exercise 4: Säsongsplotar Exercise 5: Trender, säsongsmönster och cyklicitet Exercise 6: Autokorrelation för icke-säsongsbaserade tidsserier Exercise 7: Autokorrelation hos säsongsbetonade och cykliska tidsserier Exercise 8: Matcha ACF med tidsserien Exercise 9: Vitt brus Exercise 10: Aktiekurser och vitbrus

I det här kapitlet lär du dig generella verktyg som är användbara i många olika prognosticeringssituationer. Det behandlar referensmetoder för prognos, metoder för att kontrollera om en prognosmetod har utnyttjat tillgänglig information på ett adekvat sätt, samt metoder för att mäta prognosnoggrannhet. Alla verktyg som tas upp i kapitlet återkommer i efterföljande kapitel när du utvecklar och utforskar olika prognosmetoder.

Exercise 1: Prognoser och möjliga framtider Exercise 2: Naiva prognosmetoder Exercise 3: Anpassade värden och residualer Exercise 4: Kontrollera tidsserieresidualerna Exercise 5: Tränings- och testmängder Exercise 6: Utvärdera prognosnoggrannhet för icke-säsongsbaserade metoder Exercise 7: Utvärdera prognosnoggrannhet för säsongsbundna metoder Exercise 8: Har jag en bra prognosmodell?Exercise 9: Korsvalidering av tidsserier Exercise 10: Tidsserie-korsvalidering med tsCV()

Prognoser som skapas med exponentiell utjämning är viktade medelvärden av tidigare observationer, där vikterna minskar exponentiellt ju äldre observationerna är. Med andra ord: ju nyare en observation är, desto högre vikt tilldelas den. Det här ramverket genererar tillförlitliga prognoser snabbt och för ett brett spektrum av tidsserier, vilket är en stor fördel och av central betydelse för affärsapplikationer.

Exercise 1: Exponentiellt viktade prognoser Exercise 2: Enkel exponentiell utjämning Exercise 3: SES vs naiv Exercise 4: Exponentiell utjämning med trend Exercise 5: Holts trendmetoder Exercise 6: Exponentiell utjämning med trend och säsongsvariation Exercise 7: Holt-Winters med månadsdata Exercise 8: Holt-Winters metod med dagliga data Exercise 9: Tillståndsrumsmodeller för exponentiell utjämning Exercise 10: Automatisk prognostisering med exponentiell utjämning Exercise 11: ETS vs säsongsmässig naiv metod Exercise 12: Para ihop modellerna med tidsserierna Exercise 13: När fungerar inte ETS?

ARIMA-modeller erbjuder en annan metod för tidsserieprognoser. Exponentiell utjämning och ARIMA-modeller är de två mest använda metoderna för tidsserieprognoser och kompletterar varandra väl. Medan modeller för exponentiell utjämning bygger på en beskrivning av trend och säsongsmönster i data, syftar ARIMA-modeller till att beskriva autokorrelationerna i data.

Exercise 1: Transformationer för varianssstabilisering Exercise 2: Box-Cox-transformationer för tidsserier Exercise 3: Icke-säsongsbaserad differentiering för stationäritet Exercise 4: Säsongsdifferensering för stationäritet Exercise 5: ARIMA-modeller Exercise 6: Automatiska ARIMA-modeller för icke-säsongsbaserade tidsserier Exercise 7: Prognostisering med ARIMA-modeller Exercise 8: Jämföra auto.arima() och ets() på icke-säsongsmässig data Exercise 9: Säsongsbaserade ARIMA-modeller Exercise 10: Automatiska ARIMA-modeller för säsongsbetonade tidsserier Exercise 11: Utforska alternativ i auto.arima()Exercise 12: Jämföra auto.arima() och ets() på säsongsdata

Tidsseriemodellerna i tidigare kapitel fungerar bra för många tidsserier, men de passar ofta sämre för vecko- eller timdata, och de tillåter inte att annan information inkluderas – till exempel effekter av helgdagar, konkurrenters aktiviteter eller lagändringar. I det här kapitlet tittar du på metoder som hanterar mer komplex säsongsvariationen, och du undersöker hur ARIMA-modeller kan utökas för att inkludera sådan ytterligare information.

Exercise 1: Dynamisk regression Exercise 2: Prognostisera försäljning med hänsyn till reklamutgifter Exercise 3: Prognostisering av elförbrukning

Aktuell övning

Exercise 4: Dynamisk harmonisk regression Exercise 5: Prognostisering av veckodata Exercise 6: Harmonisk regression för flera säsongsmönster Exercise 7: Prognostisera bokade samtal Exercise 8: TBATS-modeller Exercise 9: TBATS-modeller för elförbrukning Exercise 10: Din framtid inom prognostisering!