预测呼叫预约量
另一个具有多重季节周期的时间序列是 calls，它包含一家北美大型银行连续 20 天的 5 分钟通话量数据。一个工作日有 169 个 5 分钟时段，因此每周的季节频率为 5 x 169 = 845。周度季节性相对较弱，所以这里仅建模日度季节性。calls 已预加载到您的工作区。
在本例中，残差仍未通过白噪声检验，但它们的自相关虽然显著，却非常小。这是因为序列很长。对于如此长的序列，要让残差通过检验通常并不现实。剩余相关性对预测的影响可以忽略不计。
本练习是课程的一部分
R 中的预测
练习说明
- 绘制
calls数据，以观察强烈的日度季节性和较弱的周度季节性。 - 使用日度季节性阶数
10、周度季节性阶数0来构造xreg矩阵。注意：如果向量指定不正确，您的会话可能会过期！ - 使用
auto.arima()拟合名为fit的动态回归模型，设置seasonal = FALSE且stationary = TRUE。 - 检查所拟合模型的残差。
- 生成向前 10 个工作日的预测，保存为
fc，并绘图。练习描述可帮助您确定合适的h值。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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 = ___))
___