TBATS model sonuçları ve model teşhisi nasıl yorumlanır

Çok sezonluk bir zaman dizisi olan yarım saatlik talep verilerim var. Kullandığım tbatsiçinde forecastR paketin ve bunun gibi sonuçlar aldık:

TBATS(1, {5,4}, 0.838, {<48,6>, <336,6>, <17520,5>}) 

Bu, serinin Box-Cox dönüşümünü kullanmak zorunda olmadığı ve hata teriminin ARMA (5, 4) ve 6, 6 ve 5 terimlerinin mevsimselliği açıklamak için kullanıldığı anlamına mı geliyor? Bu sönümlü parametre 0.8383 ne anlama geliyor, dönüşüm için de mi?

Modelin ayrıştırma grafiği aşağıdadır:

Model hakkında ne yapacağını levelve slopeanlatacağını merak ediyorum . 'Eğim' eğilimi anlatıyor, ama ne olacak level? Sırasıyla günlük ve haftalık mevsimsel session 1ve daha net bir arsa nasıl elde session 2edilir.

Ayrıca tbats, RMSE değeri hariç, modeli değerlendirmek için model tanılamanın nasıl yapılacağını da bilmeliyim . Normal yol, hatanın beyaz gürültü olup olmadığını kontrol etmektir, ancak burada hatanın bir ARMA serisi olması gerekiyordu. Hatanın 'acf' ve 'pacf' grafiğini çiziyorum ve ARMA (5,4) gibi görünmediğini sanmıyorum. Bu, modelimin iyi olmadığı anlamına mı geliyor?

acf(resid(model1),lag.max = 1000)
pacf(resid(model1),lag.max=1000)

Son soru, RMSEtakılan değer ve gerçek değer kullanılarak hesaplanır. fc1.week$meanModeli değerlendirmek için öngörülen değer ve gerçek değeri kullanırsam, yine de denir RMSEmi? Ya da bunun için başka bir isim var mı?

fc1.week <-forecast(model1,h=48*7)
fc1.week.demand<-fc1.week$mean

İçin yardım sayfasında ?tbatsşunları buluruz:

Takılan model TBATS (omega, p, q, phi,, ...) olarak adlandırılır; burada omega, Box-Cox parametresi ve phi, sönümleme parametresidir; hata bir ARMA (p, q) işlemi olarak modellenir ve m1, ..., mJ modelinde kullanılan mevsimsel süreleri listeler ve k1, ..., kJ her mevsimsellik için kullanılan Fourier terimlerinin karşılık gelen sayısıdır.

Yani:

• omega = 1, yani Box-Cox dönüşümü yoktu .
• phi = 0.838, yani trend sönümlenecek. (Dürüst olmak gerekirse, veya toplam sönümlemeye karşılık gelip gelmediğini bilmiyorum . Simüle edilmiş verilerle biraz oynamak için en iyisi.) İçin parametreye bakın .ϕ = $\phi=0$$\phi=1$use.damped.trendtbats()
• Üç farklı mevsimsel döngünüz var, biri 48 = 24 * 2 (günlük), biri 336 = 7 * 24 * 2 (haftalık) ve biri 17520 = 365 * 24 * 2 (yıllık). tbatsilki altı Fourier terimi kullanarak, ikincisi yine altı, sonuncusu beş ile uyuyor.

De LİVERA, Hyndman'a & Snyder (2011, orjinal TBATS kağıdı JASA ) ders kullanışlı taşımaktadır.

Sonraki:

• "Seviye", zaman serisinin yerel seviyesidir.
• "Trend" yerel eğilimdir.

Bunlar, lowess (STL) kullanan daha yaygın mevsim trendi ayrışmasına benzer . stl()Komuta bir göz atın .

Sezon 1 ve sezon2 için daha net bir çizim elde etmek için TBATS modelinizin ayrı bileşenlerinin sayısal değerlerine bakabilirsiniz. Bakın str(tbats.components(model1))ve summary(tbats.components(model1)). tbats.components()size mtsesasen bir matris olan birden çok zaman serisi ( ) nesnesi verir - sütunlardan biri size her mevsimsel bileşeni verir.

residuals()R'nin her yerinde çalıştığı gibi çalışmalı; yani nihai kalıntıları iade etmelidir . Bunlar gerçekten beyaz gürültü olmalıdır, çünkü ARMA uygulandıktan sonra artıklardır (5,4). ACF'nizdeki zirveler düzenli gibi görünüyor - kalan mevsimsellik var gibi görünüyor. Onların periyodikliğini çıkarabilir misiniz? (Gecikmelerin en uzun mevsimsel döngünün katları olarak sayılmasına gerçekten yardımcı olmaz.)

Son olarak, evet, ortak bir nokta tahmini doğruluk ölçüsü olan kök ortalama kare hatası, örnek dışında aynı kısaltmaya sahiptir: RMSE.