BaşlayınÜcretsiz başlayın

Elektrik talebini tahmin etme

Günlük elektrik talebini sıcaklığın bir fonksiyonu olarak da modelleyebilirsin. Faturanda da görmüş olabileceğin gibi, sıcak günlerde klima, soğuk günlerde ise ısınma nedeniyle daha fazla elektrik kullanılır.

Bu egzersizde, ARMA hatalı ikinci dereceden (kuadratik) bir regresyon modeli kuracaksın. Bir yıllık günlük veriler elecdaily içinde saklıdır; toplam günlük talep, iş günü için bir gösterge değişkeni (iş günü 1, iş olmayan gün 0) ve günlük maksimum sıcaklıkları içerir. Haftalık mevsimsellik olduğundan frequency 7 olarak ayarlanmıştır.

İlk üç satıra bakalım:

> 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 çalışma alanına önceden yüklenmiştir.

Bu egzersiz, kursun bir parçasıdır

R ile Tahminleme

Kursa Göz Atın

Egzersiz talimatları

  • Yalnızca günlük talep ve maksimum sıcaklıkların zaman grafiklerini, bölümlemeyle (facetting) üret.
  • Sırasıyla maksimum sıcaklıklar için MaxTemp, maksimum sıcaklığın karesi olan MaxTempSq ve Workday değişkenlerini içerecek bir açıklayıcılar matrisi kur. Açıkça, cbind() fonksiyonunun ikinci argümanı basit bir matematiksel işlem gerektirecek.
  • Talep sütunu için ARIMA hatalı dinamik bir regresyon modeli kur ve buna fit adını ver.
  • Eğer ertesi gün bir iş günü (gösterge 1) ve maksimum sıcaklık tahmini 20°C ise, talep tahmini nedir? forecast() içindeki xreg argümanı için cbind() içine uygun değerleri doldur.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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(___, ___, ___))
Kodu Düzenle ve Çalıştır