ฟังก์ชัน ETS () จะหลีกเลี่ยงการคาดการณ์ที่ไม่สอดคล้องกับข้อมูลในอดีตได้อย่างไร

ฉันกำลังทำงานกับ alogorithm ใน R เพื่อทำการคำนวณการพยากรณ์รายเดือนโดยอัตโนมัติ ฉันกำลังใช้ฟังก์ชั่น ets () จากแพ็คเกจการคาดการณ์เพื่อคำนวณการคาดการณ์ มันทำงานได้ดีมาก

น่าเสียดายที่ในบางช่วงเวลาผลลัพธ์ที่ฉันได้รับนั้นแปลก

กรุณาค้นหาด้านล่างรหัสฉันใช้:

train_ts<- ts(values, frequency=12)
fit2<-ets(train_ts, model="ZZZ", damped=TRUE, alpha=NULL, beta=NULL, gamma=NULL, 
            phi=NULL, additive.only=FALSE, lambda=TRUE, 
            lower=c(0.0001,0.0001,0.0001,0.8),upper=c(0.9999,0.9999,0.9999,0.98), 
            opt.crit=c("lik","amse","mse","sigma","mae"), nmse=3, 
            bounds=c("both","usual","admissible"), ic=c("aicc","aic","bic"),
            restrict=TRUE)  
ets <- forecast(fit2,h=forecasthorizon,method ='ets')   

โปรดคุณจะพบชุดข้อมูลประวัติที่เกี่ยวข้องด้านล่าง:

 values <- c(27, 27, 7, 24, 39, 40, 24, 45, 36, 37, 31, 47, 16, 24, 6, 21, 
35, 36, 21, 40, 32, 33, 27, 42, 14, 21, 5, 19, 31, 32, 19, 36, 
29, 29, 24, 42, 15, 24, 21)

ที่นี่บนกราฟคุณจะเห็นข้อมูลประวัติ (สีดำ) ค่าติดตั้ง (สีเขียว) และการคาดการณ์ (สีน้ำเงิน) การคาดการณ์ไม่สอดคล้องกับค่าติดตั้ง

คุณมีความคิดเกี่ยวกับวิธี "ผูก" forecat ที่จะ "สอดคล้อง" กับยอดขายในอดีตหรือไม่?

เนื่องจาก @forecaster ชี้ให้เห็นว่าเกิดจากค่าผิดปกติในตอนท้ายของซีรีส์ คุณสามารถเห็นปัญหาได้ชัดเจนหากคุณวางแผนองค์ประกอบระดับโดยประมาณด้านบน:

plot(forecast(fit2))
lines(fit2$states[,1],col='red')

สังเกตการเพิ่มขึ้นของระดับเมื่อสิ้นสุดซีรีย์

วิธีหนึ่งในการทำให้โมเดลมีความทนทานต่อค่าผิดปกติมากขึ้นคือการลดพื้นที่พารามิเตอร์เพื่อให้พารามิเตอร์การปรับให้เรียบนั้นต้องมีค่าน้อยลง:

fit2 <- ets(train_ts, upper=c(0.3,0.2,0.2,0.98))  
plot(forecast(fit2))

นี่เป็นกรณีหนังสือเรียนที่มี ค่าผิดปกติในตอนท้ายของซีรีส์และผลที่ตามมาโดยไม่ตั้งใจ ปัญหาเกี่ยวกับข้อมูลของคุณคือจุดสองจุดสุดท้ายเป็นค่าผิดปกติคุณอาจต้องการระบุและปฏิบัติกับค่าผิดปกติก่อนที่จะเรียกใช้อัลกอริทึมการพยากรณ์ ฉันจะอัปเดตคำตอบและการวิเคราะห์ของฉันในวันนี้ในบางกลยุทธ์เพื่อระบุค่าผิดปกติ ด้านล่างเป็นการอัปเดตด่วน

เมื่อฉันรันอีกครั้งโดยลบจุดข้อมูลสองจุดสุดท้ายฉันจะได้รับการคาดการณ์ที่สมเหตุสมผล โปรดดูที่ด้านล่าง:

values.clean <- c(27, 27, 7, 24, 39, 40, 24, 45, 36, 37, 31, 47, 16, 24, 6, 21, 
                  35, 36, 21, 40, 32, 33, 27, 42, 14, 21, 5, 19, 31, 32, 19, 36, 
                  29, 29, 24, 42, 15)## Last two points removed

train_ts.clean<- ts(values.clean, frequency=12)
fit2.clean<-ets(train_ts.clean)  
ets.f.clean <- forecast(fit2.clean,h=24)
plot(ets.f.clean)

@forecasterคุณถูกต้องว่าค่าสุดท้ายคือค่าผิดพลาด แต่เกินจริง 38 (ค่าสุดท้าย) ไม่ใช่ค่าผิดปกติเมื่อคุณคำนึงถึงแนวโน้มของบัญชีและกิจกรรมตามฤดูกาล นี่คือช่วงเวลาที่กำหนด / สอนสำหรับการทดสอบ / ประเมินวิธีการที่มีประสิทธิภาพทางเลือก หากคุณไม่ได้ระบุและปรับเปลี่ยนสำหรับความผิดปกติความแปรปรวนจะสูงเกินจริงทำให้ไม่พบรายการอื่น งวด 32 ยังเป็นค่าผิดปกติ ช่วงเวลา 3,32 และ 1 เป็นค่าผิดปกติ มีแนวโน้มที่มีนัยสำคัญทางสถิติในซีรีส์สำหรับ 17 ค่าแรก แต่ลดลงหลังจากนั้นเริ่มต้นที่ระยะเวลา 18 ดังนั้นจึงมีสองแนวโน้มในข้อมูล บทเรียนที่จะเรียนรู้ที่นี่คือวิธีการง่าย ๆ ที่ไม่มีแนวโน้มหรือรูปแบบเฉพาะของเทรนด์และ / หรือโดยปริยายสมมติว่ารูปแบบเฉพาะของกระบวนการถดถอยอัตโนมัติต้องถูกสอบสวนอย่างจริงจัง การคาดการณ์ที่ดีในอนาคตควรพิจารณาถึงความต่อเนื่องของกิจกรรมพิเศษที่พบที่จุดสูงสุด (งวด 39) ไม่สามารถแยกข้อมูลนี้ออกจากข้อมูลได้

นี่อาจเป็นรูปแบบที่มีประโยชน์:

สถิติของรุ่นสุดท้ายอยู่ที่นี่กราฟที่เกิดขึ้นจริง / พอดีและการพยากรณ์เป็นที่น่าสนใจเพราะมันเน้นกิจกรรมพิเศษ