Mam półgodzinne dane zapotrzebowania, które są szeregami czasowymi obejmującymi wiele sezonów. Użyłem tbats
w forecast
pakiecie w R i uzyskałem takie wyniki:
TBATS(1, {5,4}, 0.838, {<48,6>, <336,6>, <17520,5>})
Czy to oznacza, że seria niekoniecznie wykorzystuje transformację Box-Coxa, a terminem błędu jest ARMA (5, 4), a terminami 6, 6 i 5 używa się wyjaśnień dotyczących sezonowości? Co oznacza ten tłumiony parametr 0,8383, czy służy on również do transformacji?
Poniżej znajduje się wykres rozkładu modelu:
Zastanawiam się, co zrobić level
i slope
powiedzieć o modelu. „Nachylenie” określa trend, ale co z tym level
? Jak uzyskać wyraźniejszą fabułę dla session 1
i session 2
, które są odpowiednio dzienne i tygodniowe sezonowe.
Wiem także, jak wiedzieć, jak wykonać diagnostykę modelu, tbats
aby ocenić model, z wyjątkiem wartości RMSE. Normalnym sposobem jest sprawdzenie, czy błąd jest białym szumem, ale tutaj błąd ma być serią ARMA. Wypisuję „acf” i „pacf” błędu i nie sądzę, aby wyglądało to jak ARMA (5,4). Czy to znaczy, że mój model nie jest dobry?
acf(resid(model1),lag.max = 1000)
pacf(resid(model1),lag.max=1000)
Ostatnie pytanie RMSE
jest obliczane przy użyciu dopasowanej wartości i prawdziwej wartości. Co się stanie, jeśli użyję wartości przewidywanej fc1.week$mean
i wartości rzeczywistej do oceny modelu, czy nadal jest on nazywany RMSE
? Czy jest na to inna nazwa?
fc1.week <-forecast(model1,h=48*7)
fc1.week.demand<-fc1.week$mean
tbats()
włączenie większej liczby warunków Fouriera dla określonych sezonowości. Przepraszam ...