Kom igångKom igång gratis

Bygg en tidsserieprognosmodell för en ny produkt

Innan vi kan beräkna en nedifrån-och-upp-prognos för storstadsregionen behöver vi prognoser för flera produkter! Låt oss börja med att bygga en tidsserieprognos för specialprodukten i storstadsregionen. Produktefterfrågan finns sparad som MET_sp i din workspace, tillsammans med dates_valid och valideringsdata MET_sp_v.

Du har skrivit MAPE-funktionen tillräckligt många gånger vid det här laget. En mape()-funktion finns nu redo för dig att använda med två argument: det första är prognosen och det andra är valideringsuppsättningen.

Den här övningen är en del av kursen

Prognostisering av produktefterfrågan i R

Visa kurs

Övningsinstruktioner

  • Använd funktionen auto.arima() för att bygga en tidseriemodell för specialprodukten MET_sp.
  • Prognostisera modellen 22 tidsperioder framåt i 2017.
  • Omvandla prognosen till ett xts-objekt. Du kan fortfarande använda dates_valid-objektet för alternativet order.by =.
  • Beräkna MAPE för prognosen med din nya mape()-funktion.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Build a time series model 
MET_sp_model_arima <- ___(___)

# Forecast the time series model you just built for 22 periods
for_MET_sp <- ___(___, h = ___)

# Create an xts object on the forecast object you just created
for_MET_sp_xts <- ___(___$mean, order.by = ___)

# Calculate the MAPE on your forecast with the validation data
MAPE <- mape(___, ___)
print(MAPE)
Redigera och kör kod