Eşit Aralıklı Zaman Serilerini Modelleme

Bir yıl boyunca düzensiz aralıklarla örneklenmiş sürekli bir değişkenim var. Bazı günler saatte birden fazla gözlem yaparken, diğer dönemlerde günlerce hiçbir şey yoktur. Bu, zaman serilerindeki kalıpları tespit etmeyi özellikle zorlaştırır, çünkü bazı aylar (örneğin Ekim) yüksek oranda örneklenirken diğerleri değildir.

Benim sorum şu zaman serisini modellemek için en iyi yaklaşım nedir?

• Çoğu zaman serisi analiz tekniğinin (ARMA gibi) sabit bir frekansa ihtiyaç duyduğuna inanıyorum. Sabit bir örneğe sahip olmak veya çok ayrıntılı olan verilerin bir alt kümesini seçmek için verileri toplayabilirim. Her iki seçenekte de, özgün veri kümesindeki farklı kalıpları açığa çıkarabilecek bazı bilgileri kaçırmış olurum.
• Serileri döngüsel olarak ayrıştırmak yerine, modeli tüm veri kümesiyle besleyebilir ve desenleri almasını bekleyebilirim. Örneğin, kategorik değişkenlerde saati, haftayı ve ayı dönüştürdüm ve iyi sonuçlarla çoklu regresyon denedim (R2 = 0.71)

YSA gibi makine öğrenimi tekniklerinin de bu modelleri eşit olmayan zaman serilerinden seçebileceği fikrine sahibim, ama bunu deneyen biri olup olmadığını merak ediyordum ve bana bir Sinir ağında zaman modellerini temsil etmenin en iyi yolu hakkında bazı tavsiyeler verebilirim.

ARIMA, Üstel Düzeltme ve diğerleri gerçekten eşit aralıklı örnekleme noktaları gerektirir. Siz yazarken, verilerinizi grup haline getirebilirsiniz (günler halinde diyelim), ancak yazdıkça bilgi kaybedersiniz. Buna ek olarak, eksik değerlerle karşılaşabilirsiniz, bu yüzden ARIMA eksik değerleri ele almakta çok iyi olmadığından, dolaylı olarak anlaşmanız gerekir.

Alternatif olarak, yine yazdığınız gibi, zaman mankenlerini bir regresyon çerçevesine beslemektir. Şahsen kategorik mankenleri gerçekten sevmiyorum, çünkü bu komşu kategoriler arasında keskin bir kesim anlamına geliyor. Bu genellikle çok doğal değildir. Bu yüzden farklı periyodikliklere sahip periyodik spline'lara bakmayı tercih ederim. Bu yaklaşım, eşit olmayan örneklemenizle ve eksik değerlerle uğraşma avantajına sahiptir.

yorumlarken çok dikkatli olun . Örnek içi uyum, örnek dışı tahmin doğruluğunun bir ölçüsü olarak kötü bir şekilde yanıltıcıdır ( buraya bakın ). Örnek içi uyum ile örnek dışı tahmin doğruluğu arasındaki bu kopukluğun, örnek içi uyum ile bir modelin, ilginizi tahmin etmede olmasa bile verileri ne kadar iyi "anladığı" arasında bir bağlantı olmadığı anlamına gelir. , ancak yalnızca kendi başına modellemede. Benim felsefem, eğer bir zaman serisini iyi tahmin edemezseniz, onu anlamlı bir anlamda anlamadıysanız.$R^2$

Son olarak, modellemeyi abartmayın. Sadece verilerinizi göz ardı ederek, Haziran ayında, Ağustos ayında bir gün ve Eylül / Ekim aylarında bir şey olduğu açıktır . Öncelikle bunun bir şeyin ne olduğunu bulmanızı ve bunu modelinize dahil etmenizi, örneğin açıklayıcı değişkenler olarak (isterseniz ARIMAX'a dahil edebilirsiniz) öneririm. Orada olan şey mevsimsel değil.

Sorunuz ve @Stephan Kolassa'nın güzel cevabı ARIMA ve özellikle sinir ağlarını tartıştığından, forecastpaketi Rbir seferde verebileceğinizi belirtmek istedim - nnetar1 gizli katman ile basit bir ileri besleme sinir ağını eğiten bir işlevi var ve gecikmeli girişler.

Belki aşağıdakiler boyunca bir şeyler deneyebilirsiniz:

• Gözlemlerinizin her biri için haftanın günü, ayın günü, hafta içi / hafta sonu vb. ilgi değişkeninizi etkileyebileceğine inanın).
• İlgilenilen değişkeninizin gecikmeli değerleri ve datetime bilgileri (haftanın günü vb.) sizin girdileriniz olacaktır. xregörneğin datetime değişkenlerini harici regresörler ( ) olarak dahil edebilirsiniz .

ve bu girdilere dayanarak ilgi alanınızın gelecekteki değerlerini tahmin edebilirsiniz. Ayrıca, tahmin etmek istediğiniz değerin her bir gününe gözlenen ortalama ve varyans / sapmayı da dahil etmeyi düşünebilirsiniz. Bu, ilk olarak, örneğin ARIMA ile beklenen ortalama ve varyansı tahmin etmeniz ve ardından bunu yukarıda belirtilen yaklaşıma ek girdi olarak eklemeniz gerektiği anlamına gelir.

hth.