การตีความการสลายตัวของอนุกรมเวลาโดยใช้ TBATS จากแพ็คเกจพยากรณ์


10

ฉันต้องการที่จะแยกข้อมูลอนุกรมเวลาต่อไปนี้ออกเป็นฤดูกาลแนวโน้มและส่วนประกอบที่เหลือ ข้อมูลนี้เป็นข้อมูลการระบายความร้อนพลังงานทุกชั่วโมงจากอาคารพาณิชย์:

TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81)
plot(TotalCoolingForDecompose.ts)

ซีรี่ส์เวลาพลังงานความเย็น

มีผลกระทบตามฤดูกาลรายวันและรายสัปดาห์ที่ชัดเจนดังนั้นจึงขึ้นอยู่กับคำแนะนำจาก: วิธีการสลายอนุกรมเวลาที่มีองค์ประกอบตามฤดูกาลหลายรายการ? ฉันใช้tbatsฟังก์ชั่นจากforecastแพ็คเกจ:

TotalCooling.tbats <- tbats(TotalCoolingForDecompose.ts, seasonal.periods=c(24,168), use.trend=TRUE, use.parallel=TRUE)
plot(TotalCooling.tbats)

ซึ่งผลลัพธ์ใน:

ป้อนคำอธิบายรูปภาพที่นี่

อะไรlevelและslopeส่วนประกอบของรุ่นนี้อธิบายอะไร ฉันจะได้รับtrendและremainderส่วนประกอบคล้ายกับกระดาษที่อ้างอิงโดยแพคเกจนี้ ( De Livera, Hyndman และ Snyder (JASA, 2011) )


ฉันพบปัญหาเดียวกันก่อน และฉันคิดว่าแนวโน้มที่นี่อาจหมายถึง l + b (ในกระดาษมีรูปแบบ) หรือคุณสามารถดูrobjhyndman.com/hyndsight/forecasting-weekly-data
user49782

1
ผมมีปัญหาเดียวกัน. ฉันอาจจะผิด แต่หาส่วนที่เหลือคุณสามารถใช้ส่วนที่เหลือ (TotalCooling.tbats) เส้นโค้งได้รับการยืนยันโดยพล็อต (การคาดการณ์ (TotalCooling.tbats, h = 1) $ ส่วนที่เหลือ) แนวโน้มคือ "ความลาดชัน"
marcodena

คำตอบ:


5

ในความคิดเห็นของผู้ใช้ในหน้านี้บางคนถามเกี่ยวกับการตีความระดับและความชันรวมถึงวิธีรับแนวโน้มและสิ่งที่เหลืออยู่ที่decompose()ฟังก์ชั่นให้ Hyndman กล่าวว่าไม่มีการแปลตรงdecompose()และtbats()ใช้โมเดลที่แตกต่างกัน แต่ถ้ารุ่น TBATS ของคุณไม่มีการแปลงแบบบ็อกซ์ค็อกซ์ระดับ TBATS จะเหมือนกับdecompose()เทรนด์คร่าวๆ หากในอีกทางหนึ่งโมเดลใช้การแปลง Box-Cox คุณต้องเลิกทำการแปลงก่อนที่จะตีความระดับว่าเป็นแนวโน้ม (ประมาณ) อย่างน้อยนั่นก็เป็นวิธีที่ฉันตีความการตอบสนองของเขา

ส่วนที่เหลือและความชันมันไม่เหมือนกัน

คุณสามารถนึกถึงการสลายตัวพื้นฐานมีองค์ประกอบเทรนด์องค์ประกอบตามฤดูกาลและส่วนประกอบที่เหลือ

คุณสามารถแบ่งเทรนด์ลงไปอีกระดับและความชัน ระดับเป็นพื้นฐานสำหรับแนวโน้มและความชันคือการเปลี่ยนแปลงต่อหน่วยเวลา

เหตุผลในการแบ่งแนวโน้มลงสู่ระดับหนึ่งและความชันคือบางรุ่นรองรับการเติบโตแบบหน่วง บางทีคุณอาจสังเกตการเติบโตปัจจุบัน แต่คุณคาดว่าการเติบโตจะค่อยๆลดลงเมื่อเวลาผ่านไปและคุณต้องการให้การคาดการณ์ของคุณสะท้อนถึงความคาดหวังนั้น ตัวแบบรองรับสิ่งนี้ได้โดยอนุญาตให้คุณเจริญเติบโตแบบหมาด ๆ โดยใช้ปัจจัยการหน่วงกับความชันทำให้มันมาบรรจบกันที่ศูนย์ซึ่งหมายความว่าเทรนด์มาบรรจบกับส่วนประกอบระดับ

ไม่มีคำตอบที่ตรงไปตรงมาสำหรับคำถามที่ว่าระดับและความชันรวมกันเพื่อให้เกิดแนวโน้มได้อย่างไร ขึ้นอยู่กับประเภทของรุ่นที่คุณใช้ โดยทั่วไปแล้วแบบจำลองแนวโน้มแบบเติมแต่งรวมเข้าด้วยกันเป็นแบบแฟชั่นแบบเสริมและแบบจำลองแบบคูณแบบรวมเข้าด้วยกันแบบหลายทาง รุ่นที่ได้รับการชุบนั้นจะรวมระดับกับความลาดชันที่ลดลง การคาดการณ์ของ Hyndman กับหนังสือการทำให้เรียบแบบเอ็กซ์โปเนนเชียล (หวังว่ามันจะรวมลิงค์ Amazon - ฉันไม่มีส่วนเกี่ยวข้องใด ๆ กับผู้แต่ง) ให้สมการที่แน่นอนบนพื้นฐานของแบบจำลองในตารางที่ 2.1

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.