TBATSモデルの結果とモデル診断を解釈する方法

マルチシーズンの時系列である、30分ごとの需要データを取得しました。私はRのパッケージで使用tbatsしforecast、次のような結果を得ました：

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

それは、シリーズが必ずしもBox-Cox変換を使用する必要がないことを意味し、エラー項はARMA（5、4）であり、季節性を説明するために6、6、および5項が使用されますか？そのダンピングされたパラメーター0.8383は何を意味しますか？それは変換用でもありますか？

以下はモデルの分解プロットです：

私はモデルについて何をしlevel、slope伝えるのか疑問に思っています。「スロープ」はトレンドを伝えますが、どうlevelですか？以下のための明確なプロットを取得する方法session 1とsession 2、それぞれの日常や季節毎週です。

またtbats、RMSE値を除いて、モデルを評価するためにモデル診断を行う方法を知る必要があります。通常の方法は、エラーがホワイトノイズかどうかをチェックすることですが、ここではエラーはARMAシリーズであると想定されています。エラーの「acf」と「pacf」をプロットしましたが、ARMA（5,4）のようには見えません。私のモデルが良くないということですか？

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

最後の質問RMSEは、適合値と真の値を使用して計算されます。fc1.week$meanモデルを評価するために予測値と真の値を使用するとどうなりますRMSEか？または、これには別の名前がありますか？

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

のヘルプページで?tbats、次のことがわかります。

フィットされたモデルはTBATS（omega、p、q、phi、、...、）と指定されます。ここで、omegaはBox-Coxパラメーターであり、phiは減衰パラメーターです。エラーはARMA（p、q）プロセスとしてモデル化され、m1、...、mJはモデルで使用される季節期間をリストし、k1、...、kJは各季節性に使用される対応するフーリエ項の数です。

そう：

• omega = 1は、実際にはBox-Cox変換がなかったことを意味します。
• phi = 0.838は、トレンドが抑制されることを意味します。（正直なところ、とどちらが全体の減衰に対応しているかはわかりません。シミュレートされたデータを少し試してみるのが最善です。）のパラメーターを参照してください。$\phi=0$$\phi=1$use.damped.trendtbats()
• 長さ48 = 24 * 2（毎日）、長さ336 = 7 * 24 * 2（毎週）、長さ17520 = 365 * 24 * 2（年間）の3つの異なる季節性サイクルがあります。tbats6つのフーリエ項を使用して最初の項に適合し、2番目の項は6で、最後の項は5で適合します。

De Livera、Hyndman＆Snyder（2011、JASA）によるオリジナルのTBATS論文はもちろん役に立ちます。

次：

• 「レベル」は時系列のローカルレベルです。
• 「トレンド」は地域のトレンドです。

これらは、lowess（STL）を使用したより一般的な季節傾向分解に類似しています。stl()コマンドを見てください。

season1とseason2のプロットをより明確にするために、TBATSモデルの個別のコンポーネントの数値を調べることができます。見てくださいstr(tbats.components(model1))とsummary(tbats.components(model1))。基本的に行列でtbats.components()ある複数の時系列（mts）オブジェクトを提供します-列の1つは各季節成分を提供します。

residuals()Rのどこでも動作するように動作するはずです。つまり、最終的な残差を返す必要があります。これらはARMA（5,4）を適用した後の残差であるため、実際にはホワイトノイズである必要があります。ACFのピークは規則的であるように見えます-季節性が残っているようです。それらの周期性を推測できますか？（ラグが最も長い季節サイクルの倍数でカウントされることは実際には役に立ちません。）

最後に、はい。二乗平均平方根誤差は、一般的なポイント予測の精度の指標であり、サンプルと同じ略語であるRMSEを持っています。