Kom igångKom igång gratis

Prognostisera bokade samtal

En annan tidsserie med flera säsongsperioder är calls, som innehåller 20 på varandra följande dagars data över samtalsvolym i 5-minutersintervall för en stor nordamerikansk bank. Det finns 169 femminutersperioder under en arbetsdag, vilket innebär att den veckovisa säsongsfre­kvensen är 5 x 169 = 845. Den veckovisa säsongsvariationen är relativt svag, så här modellerar du bara den dagliga säsongsvariationen. calls är förladdat i din workspace.

Residualerna misslyckas fortfarande med testerna för vitt brus, men deras autokorrelationer är mycket små även om de är signifikanta. Det beror på att serien är så lång. Det är ofta orealistiskt att residualer ska klara sådana tester för långa serier. De kvarvarande korrelationernas påverkan på prognoserna är försumbar.

Den här övningen är en del av kursen

Prognoser i R

Visa kurs

Övningsinstruktioner

  • Plotta calls-datan för att se den starka dagliga säsongsvariationen och den svaga veckovisa säsongsvariationen.
  • Sätt upp xreg-matrisen med ordning 10 för daglig säsongsvariation och 0 för veckovis säsongsvariation. Observera att om du anger vektorn felaktigt kan din session ta slut!
  • Anpassa en dynamisk regressionsmodell kallad fit med hjälp av auto.arima() med seasonal = FALSE och stationary = TRUE.
  • Kontrollera residualerna för den anpassade modellen.
  • Skapa prognoser för 10 arbetsdagar framåt som fc och plotta dem sedan. Övningsbeskrivningen hjälper dig att bestämma rätt värde för h.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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 = ___))
___
Redigera och kör kod