Haftalık verileri tahmin etme

Haftalık verilerde, mevsimselliği ETS veya ARIMA modelleriyle ele almak zordur çünkü mevsim uzunluğu çok büyüktür (yaklaşık 52). Bunun yerine, mevsimselliği sinüs ve kosinüslerle modelleyen harmonik regresyonu kullanabilirsin.

fourier() fonksiyonu, gereken harmonikleri üretmeyi kolaylaştırır. Düzey (K) yükseldikçe mevsimsel desenin kıvrımlılığı artar. K=1 olduğunda basit bir sinüs eğrisidir. K değerini, AICc değerini en aza indirerek seçebilirsin. Videoda gördüğün gibi, fourier() zorunlu bir zaman serisi, üretilecek zorunlu Fourier terimi sayısı ve opsiyonel olarak tahmin için gerekli satır sayısını alır:

> # 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)

Önceden yüklenmiş gasoline verileri, ABD'de nihai motor benzini ürünlerine ait haftalık verilerden oluşur. Bu egzersizde, bu veri kümesine bir harmonik regresyon kurup sonraki 3 yılı tahmin edeceksin.

Bu egzersiz, kursun bir parçasıdır

R ile Tahminleme

Kursa Göz Atın

Egzersiz talimatları

AICc'yi en aza indirecek şekilde seçilmiş K=13 ile gasoline üzerinde fourier() yöntemini kullanarak harmonics adlı bir xreg matrisi kur.
fit için dinamik bir regresyon modeli kur. xreg'i harmonics'e eşitle ve mevsimsellik kestiriciler tarafından ele alındığı için seasonal'ı FALSE yap.
Benzer şekilde newharmonics adlı yeni bir xreg matrisi kur ve ardından sonraki üç yılın tahminlerini fc olarak hesapla.
Son olarak, fc tahminlerini görselleştir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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
___

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

R ile Tahminleme

InicianteNível de habilidade

4.9+

Kursa Ücretsiz Başla

Her veri analizi görevinde yapılacak ilk şey veriyi görselleştirmektir. Grafikler, verideki örüntüler, olağandışı gözlemler ve zamana bağlı değişimler dahil birçok özelliğin görülmesini sağlar. Verinin grafikleriyle görülen bu özellikler, mümkün olduğunca, kullanılacak tahminleme yöntemlerine dâhil edilmelidir.

Exercise 1: R ile Tahminlemeye Hoş Geldin Exercise 2: R'de zaman serisi nesneleri oluşturma Exercise 3: Zaman serisi grafikleri Exercise 4: Mevsimsel grafikler Exercise 5: Trendler, mevsimsellik ve çevrimlilik Exercise 6: Mevsimsellik içermeyen zaman serilerinde otokorelasyon Exercise 7: Mevsimsel ve döngüsel zaman serilerinde otokorelasyon Exercise 8: ACF'yi zaman serisiyle eşleştir Exercise 9: Beyaz gürültü Exercise 10: Hisse senedi fiyatları ve beyaz gürültü

Bu bölümde, pek çok farklı tahminleme durumu için faydalı genel araçlar öğreneceksin. Kıyas (benchmark) tahminleme yöntemlerini, bir tahminleme yönteminin mevcut bilgiyi yeterince kullanıp kullanmadığını kontrol etme yöntemlerini ve tahmin doğruluğunu ölçme yöntemlerini açıklayacak. Bu bölümde tartışılan araçların her biri, sonraki bölümlerde çeşitli tahminleme yöntemlerini geliştirip keşfederken tekrar tekrar kullanılacak.

Exercise 1: Tahminler ve olası gelecekler Exercise 2: Naif tahmin yöntemleri Exercise 3: Uydurulan değerler ve artıklar Exercise 4: Zaman serisi kalıntılarını kontrol etme Exercise 5: Eğitim ve test kümeleri Exercise 6: Mevsimsellik içermeyen yöntemlerin tahmin doğruluğunu değerlendirme Exercise 7: Mevsimsel yöntemlerin tahmin doğruluğunu değerlendirme Exercise 8: İyi bir tahmin modelim var mı?Exercise 9: Zaman serisi çapraz doğrulama Exercise 10: Zaman serisi çapraz doğrulaması için tsCV() kullanma

Üstel düzeltme yöntemleriyle üretilen tahminler, geçmiş gözlemlerin ağırlıklı ortalamalarıdır ve gözlemler eskidikçe ağırlıklar üstel olarak azalır. Başka bir deyişle, gözlem ne kadar yakın zamansa, ona verilen ağırlık o kadar yüksektir. Bu çerçeve, geniş bir zaman serisi yelpazesi için hızlı ve güvenilir tahminler üretir; bu da özellikle iş uygulamaları açısından büyük bir avantaj ve önemli bir etkendir.

Exercise 1: Üssel ağırlıklı tahminler Exercise 2: Basit üssel düzeltme Exercise 3: SES ve naive Exercise 4: Eğilim içeren üssel düzeltme yöntemleri Exercise 5: Holt'un trend yöntemleri Exercise 6: Eğilim ve mevsimsellik içeren üstel düzleştirme yöntemleri Exercise 7: Aylık verilerle Holt-Winters Exercise 8: Günlük verilerle Holt-Winters yöntemi Exercise 9: Üssel düzeltme için durum uzayı modelleri Exercise 10: Üssel düzeltme ile otomatik tahmin Exercise 11: ETS ve mevsimsel naive Exercise 12: Modelleri zaman serileriyle eşleştir Exercise 13: ETS ne zaman başarısız olur?

ARIMA modelleri, zaman serisi tahminlemesine başka bir yaklaşım sunar. Üstel düzeltme ve ARIMA modelleri, zaman serisi tahminlemesinde en yaygın kullanılan iki yaklaşımdır ve probleme tamamlayıcı bakışlar sağlar. Üstel düzeltme modelleri verideki eğilim ve mevsimselliği betimlemeye dayanırken, ARIMA modelleri verideki otokorelasyonları betimlemeyi amaçlar.

Exercise 1: Varyansı dengilemek için dönüşümler Exercise 2: Zaman serileri için Box-Cox dönüşümleri Exercise 3: Durağanlık için mevsimsellik içermeyen fark alma Exercise 4: Durağanlık için mevsimsel fark alma Exercise 5: ARIMA modelleri Exercise 6: Mevsimsellik içermeyen zaman serileri için otomatik ARIMA modelleri Exercise 7: ARIMA modelleriyle tahmin Exercise 8: Mevsimsellik içermeyen verilerde auto.arima() ve ets() karşılaştırması Exercise 9: Mevsimsel ARIMA modelleri Exercise 10: Mevsimsel zaman serileri için otomatik ARIMA modelleri Exercise 11: auto.arima() seçeneklerini keşfetme Exercise 12: Mevsimsel veride auto.arima() ve ets() karşılaştırması

Önceki bölümlerdeki zaman serisi modelleri birçok zaman serisi için iyi çalışsa da, haftalık veya saatlik verilerde çoğu zaman yeterli değildir ve tatil etkileri, rakip faaliyetleri, yasal değişiklikler gibi başka bilgilerin dâhil edilmesine izin vermez. Bu bölümde, daha karmaşık mevsimselliği ele alan bazı yöntemlere bakacak ve ARIMA modellerini, diğer bilgilerin de modele dâhil edilebilmesini sağlayacak şekilde nasıl genişletebileceğini inceleyeceksin.

Exercise 1: Dinamik regresyon Exercise 2: Reklam harcamasını dikkate alarak satış tahmini Exercise 3: Elektrik talebini tahmin etme Exercise 4: Dinamik harmonik regresyon Exercise 5: Haftalık verileri tahmin etme

Geçerli egzersiz

Exercise 6: Çoklu mevsimsellik için harmonik regresyon Exercise 7: Çağrı rezervasyonlarını tahmin etme Exercise 8: TBATS modelleri Exercise 9: Elektrik talebi için TBATS modelleri Exercise 10: Tahminlemede geleceğin!