BaşlayınÜcretsiz başlayın

Çağrı rezervasyonlarını tahmin etme

Birden çok mevsimsel dönemi olan başka bir zaman serisi de calls. Bu seride, Kuzey Amerika'daki büyük bir bankanın 20 ardışık güne ait 5 dakikalık çağrı hacmi verileri bulunuyor. Bir iş gününde 169 adet 5 dakikalık dilim vardır; dolayısıyla haftalık mevsimsel frekans 5 x 169 = 845'tir. Haftalık mevsimsellik nispeten zayıf olduğundan, burada yalnızca günlük mevsimselliği modele alacaksın. calls çalışma alanına önceden yüklenmiş durumda.

Bu durumda artık değerler beyaz gürültü testlerini hâlâ geçemiyor, ancak anlamlı olsalar bile otokorelasyonları çok küçük. Bunun nedeni serinin çok uzun olması. Bu kadar uzun serilerde artık değerlerin tüm testleri geçmesi çoğu zaman gerçekçi değildir. Kalan korelasyonların tahminler üzerindeki etkisi ihmal edilebilir düzeydedir.

Bu egzersiz, kursun bir parçasıdır

R ile Tahminleme

Kursa Göz Atın

Egzersiz talimatları

  • Güçlü günlük ve zayıf haftalık mevsimselliği görmek için calls verisini görselleştir.
  • Günlük mevsimsellik için 10, haftalık mevsimsellik için 0 derecelerini kullanarak xreg matrisini ayarla. Vektörü yanlış belirtirsen oturumun sona erebilir!
  • seasonal = FALSE ve stationary = TRUE ile auto.arima() kullanarak fit adlı bir dinamik regresyon modeli kur.
  • Uydurulan modelin artık değerlerini kontrol et.
  • 10 iş günü sonrası için fc tahminlerini oluştur ve grafiğini çiz. Doğru h değerini belirlemene egzersiz açıklaması yardımcı olacaktır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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 = ___))
___
Kodu Düzenle ve Çalıştır