Ich habe halbstündliche Nachfragedaten, bei denen es sich um eine multisaisonale Zeitreihe handelt. Ich habe tbats
in forecast
Paket in R verwendet und habe folgende Ergebnisse erhalten:
TBATS(1, {5,4}, 0.838, {<48,6>, <336,6>, <17520,5>})
Bedeutet dies, dass die Serie nicht unbedingt die Box-Cox-Transformation verwenden muss und der Fehlerterm ARMA (5, 4) ist und 6, 6 und 5 Terme verwendet werden, um die Saisonalität zu erklären? Was bedeutet dieser gedämpfte Parameter 0.8383, ist er auch für die Transformation?
Das folgende ist ein Zerlegungsdiagramm des Modells:
Ich frage mich, was ich über das Modell tun level
und slope
erzählen soll. Die "Steigung" zeigt den Trend, aber was ist mit level
? So erhalten Sie eine klarere Darstellung für session 1
und session 2
, die täglich und wöchentlich saisonal sind.
Ich weiß auch, wie man eine tbats
Modelldiagnose durchführt, um das Modell zu bewerten, mit Ausnahme des RMSE-Werts. Der normale Weg besteht darin, zu überprüfen, ob der Fehler weißes Rauschen ist, aber hier soll der Fehler eine ARMA-Serie sein. Ich zeichne 'acf' und 'pacf' des Fehlers und glaube nicht, dass es wie ARMA (5,4) aussieht. Bedeutet das, dass mein Modell nicht gut ist?
acf(resid(model1),lag.max = 1000)
pacf(resid(model1),lag.max=1000)
Die letzte Frage RMSE
wird unter Verwendung des angepassten Werts und des wahren Werts berechnet. Was ist, wenn ich den vorhergesagten Wert fc1.week$mean
und den wahren Wert zur Bewertung des Modells verwende RMSE
? Wird es immer noch aufgerufen ? Oder gibt es dafür einen anderen Namen?
fc1.week <-forecast(model1,h=48*7)
fc1.week.demand<-fc1.week$mean
tbats()
mehr Fourier-Begriffe für bestimmte Saisonalitäten aufzunehmen. Entschuldigung ...