指數平滑的狀態空間模型

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

本練習屬於課程

R 的時間序列預測

SkillTag.level.beginnerSkillTag.label

4.9+

免費開始學習課程

在任何資料分析任務中，第一件事就是把資料畫出來。圖形能讓你視覺化地看見資料中的許多特徵，包括型態、異常觀測值，以及隨時間的變化。接著，你在圖中觀察到的特徵，應盡可能被納入即將使用的預測方法裡。

Exercise 1: 歡迎進入 R 的預測分析 Exercise 2: 在 R 建立時間序列物件 Exercise 3: 時間序列繪圖 Exercise 4: 季節性圖 Exercise 5: 趨勢、季節性與循環性 Exercise 6: 非季節性時間序列的自我相關 Exercise 7: 季節性與循環性時間序列的自相關 Exercise 8: 將 ACF 與時間序列配對 Exercise 9: 白雜訊 Exercise 10: 股價與白雜訊

在本章中，你會學到適用於多種預測情境的一般工具。內容將說明一些基準預測的方法、檢查某個預測方法是否已充分利用可用資訊的作法，以及衡量預測準確度的方法。本章討論的每一項工具，之後在各章將一再用到，協助你發展並探索各式各樣的預測方法。

Exercise 1: 預測與可能的未來 Exercise 2: 天真式（Naive）預測方法 Exercise 3: 擬合值與殘差 Exercise 4: 檢查時間序列殘差 Exercise 5: 訓練集與測試集 Exercise 6: 評估非季節性方法的預測準確度 Exercise 7: 評估季節性方法的預測準確度 Exercise 8: 我的預測模型夠好嗎？Exercise 9: 時間序列交叉驗證 Exercise 10: 使用 tsCV() 進行時間序列交叉驗證

使用指數平滑法產生的預測，是對過去觀測值的加權平均，且觀測越久以前，其權重會以指數方式遞減。換句話說，愈近期的觀測值，所佔的權重愈高。這個架構能快速產生可靠的預測，且適用於各式各樣的時間序列，對商業應用而言是極大的優勢與關鍵。

Exercise 1: 指數加權預測 Exercise 2: Simple exponential smoothing Exercise 3: SES 對比 naive Exercise 4: 含趨勢的指數平滑方法 Exercise 5: Holt 趨勢法 Exercise 6: 含趨勢與季節性的指數平滑方法 Exercise 7: 每月資料的 Holt-Winters Exercise 8: 以每日資料套用 Holt-Winters 方法 Exercise 9: 指數平滑的狀態空間模型

當前練習

Exercise 10: 使用指數平滑的自動預測 Exercise 11: ETS 與季節性天真法比較 Exercise 12: 將模型配對到時間序列 Exercise 13: ETS 什麼時候會失靈？

ARIMA 模型提供了另一種時間序列預測的途徑。指數平滑法與 ARIMA 模型是時間序列預測中最常用的兩大方法，並且彼此互補。指數平滑模型著重於描述資料中的趨勢與季節性；而 ARIMA 模型則著重於描述資料中的自我相關關係。

Exercise 1: 用轉換來穩定變異數 Exercise 2: 時間序列的 Box-Cox 轉換 Exercise 3: 非季節性差分以達成定態 Exercise 4: 使用季節差分達到定態 Exercise 5: ARIMA 模型 Exercise 6: 非季節性時間序列的自動 ARIMA 模型 Exercise 7: 使用 ARIMA 模型進行預測 Exercise 8: 在非季節性資料上比較 auto.arima() 與 ets()Exercise 9: 季節性 ARIMA 模型 Exercise 10: 季節性時間序列的自動 ARIMA 模型 Exercise 11: 探索 auto.arima() 的選項 Exercise 12: 在季節性資料上比較 auto.arima() 與 ets()

前幾章介紹的時間序列模型對許多時間序列都很有效，但對每週或每小時資料往往不夠理想，且無法納入其他資訊，例如假期影響、競爭者活動、法規變動等。本章將探討處理更複雜季節性的部分方法，並說明如何延伸 ARIMA 模型，以便將其他資訊一併納入。

Exercise 1: 動態迴歸 Exercise 2: 在預測銷售時納入廣告支出 Exercise 3: 預測用電需求 Exercise 4: 動態諧波迴歸 Exercise 5: 每週資料的預測 Exercise 6: 多重季節性的諧波迴歸 Exercise 7: 預測來電預約量 Exercise 8: TBATS 模型 Exercise 9: 電力需求的 TBATS 模型 Exercise 10: 你在預測領域的未來！