Çoklu mevsimsellik için harmonik regresyon

Zaman serilerinde birden fazla mevsimsel örüntü olduğunda harmonik regresyonlar da işe yarar. Örneğin, taylor veri kümesi 2000 yılı içinde birkaç ay boyunca İngiltere ve Galler'de yarım saatlik elektrik talebini içerir. Mevsimsel dönemler 48 (günlük mevsimsellik) ve 7 x 48 = 336 (haftalık mevsimsellik) şeklindedir. Yıllık mevsimselliği değerlendirmek için yeterli veri yok.

auto.arima() bu kadar uzun bir zaman serisini uyarlamak için çok zaman alır, bu yüzden bunun yerine tslm() fonksiyonunu kullanarak Fourier terimleri içeren standart bir regresyon modeli kuracaksın. Bu, lm() fonksiyonuna çok benzer ama zaman serilerini ele almak için tasarlanmıştır. Birden fazla mevsimsellik olduğunda, her mevsimsel dönem için \(K\) mertebesini belirtmen gerekir.

# formula argümanı, uyarlanacak modelin
# sembolik bir tanımıdır

> args(tslm)
function (formula, ...)

tslm() yeni tanıtılan bir fonksiyon, bu yüzden çoğunlukla önceden yazılmış kodu takip edebiliyor olmalısın. taylor verileri çalışma alanına yüklenmiş durumda.

Bu egzersiz, kursun bir parçasıdır

R ile Tahminleme

Kursa Göz Atın

Egzersiz talimatları

Her bir mevsimsellik türü için mertebe 10 kullanarak taylor üzerinde fit adlı bir harmonik regresyon kur.
20 iş günü sonrasını fc olarak tahmin et. Doğru h değerini ayarlamak için verilerin yarım saatlik olduğunu unutma.
Tahminlerin bir zaman grafiğini oluştur.
Uydurduğun modelin artıklarını kontrol et. Gördüğün gibi, auto.arima() daha iyi bir iş çıkarırdı.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Fit a harmonic regression using order 10 for each type of seasonality
fit <- tslm(taylor ~ fourier(___, K = c(10, 10)))

# Forecast 20 working days ahead
fc <- forecast(___, newdata = data.frame(fourier(___, K = ___, h = ___)))

# Plot the forecasts
___

# Check the residuals of fit
___

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 Exercise 6: Çoklu mevsimsellik için harmonik regresyon

Geçerli egzersiz

Exercise 7: Çağrı rezervasyonlarını tahmin etme Exercise 8: TBATS modelleri Exercise 9: Elektrik talebi için TBATS modelleri Exercise 10: Tahminlemede geleceğin!