タグ付けされた質問 「tbats」

私は時系列分析を行おうとしており、この分野は初めてです。2006年から2009年までのイベントを毎日数えており、時系列モデルをそれに合わせたいと考えています。これが私が達成した進歩です。 timeSeriesObj = ts(x,start=c(2006,1,1),frequency=365.25) plot.ts(timeSeriesObj) 結果のプロットは次のとおりです。 データに季節性と傾向があるかどうかを確認するには、この投稿に記載されている手順に従います。 ets(x) fit <- tbats(x) seasonal <- !is.null(fit$seasonal) seasonal そしてロブ・J・ハインドマンのブログで： library(fma) fit1 <- ets(x) fit2 <- ets(x,model="ANN") deviance <- 2*c(logLik(fit1) - logLik(fit2)) df <- attributes(logLik(fit1))$df - attributes(logLik(fit2))$df #P value 1-pchisq(deviance,df) どちらの場合も、季節性がないことを示しています。 シリーズのACFとPACFをプロットすると、次のようになります。 私の質問は： これは、毎日の時系列データを処理する方法ですか？このページは、週ごとと年ごとのパターンを検討する必要があることを示唆していますが、そのアプローチは明確ではありません。 ACFプロットとPACFプロットを取得した後、どのように進めるかわかりません。 auto.arima関数を単純に使用できますか？ fit <-arima（myts、order = c（p、d、q） ***** Auto.Arimaの結果を更新****** ここでRob Hyndmanのコメントに従ってデータの頻度を7に変更すると、auto.arimaは季節ARIMAモデルを選択して出力します。 …

24 r  time-series  seasonality  multiple-seasonalities  tbats  hypothesis-testing  beta-distribution  machine-learning  unsupervised-learning  supervised-learning  reinforcement-learning 

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

11 r  time-series  diagnostic  multiple-seasonalities  tbats 

以下の時系列データを季節性、トレンド、残差成分に分解したいと思います。データは、商業ビルの1時間ごとの冷却エネルギープロファイルです。 TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81) plot(TotalCoolingForDecompose.ts) したがって、次のアドバイスに基づいて、日ごとと週ごとに明らかな季節的影響があります。複数の季節的要素を持つ時系列を分解する方法 、私tbatsはforecastパッケージの関数を使用しました： TotalCooling.tbats <- tbats(TotalCoolingForDecompose.ts, seasonal.periods=c(24,168), use.trend=TRUE, use.parallel=TRUE) plot(TotalCooling.tbats) その結果： このモデルのlevelおよびslopeコンポーネントは何を説明していますか？このパッケージで参照されている論文（De Livera、Hyndman、Snyder（JASA、2011））に似たtrendおよびremainderコンポーネントを入手するにはどうすればよいですか？

10 r  time-series  forecasting  multiple-seasonalities  tbats 

Rob Hyndmanによる優れた予測パッケージを使用して、予測間隔を設けるだけでなく、複雑な季節性を持つ時系列の過去の観測を考慮して、将来のパスをシミュレートする必要性に遭遇しました。季節性が1つまたは2つしかない、それほど複雑ではない時系列用のものがあります（forecastパッケージのSimulate.ets（））。ただし、私の場合、より複雑なtbatsモデルには、simulate.ets（）と同等のものが必要になります。 そのようなパスを作成するために必要なデータは既にフィットオブジェクトに存在していると思いますが、サンプルパスを作成する可能性には直接アクセスできないようです。したがって、私は素朴な解決策を考え出し、このアプローチが正しいかどうかを知りたいと思います。 require(forecast) fit = bats(test,use.parallel=T,use.damped.trend=F,use.trend=T,seasonal.periods=seasonal.periods) 単純に、からのポイント予測を使用してサンプルパスを構築できると思います fit > forecast(fit) Point Forecast Lo 80 Hi 80 Lo 95 Hi 95 1960.016 24.48576 23.82518 25.14633 23.47550 25.49602 1960.032 24.79870 23.88004 25.71735 23.39374 26.20366 1960.048 25.31743 24.39878 26.23608 23.91247 26.72239 1960.065 25.69254 24.77389 26.61120 24.28759 27.09750 1960.081 26.06863 25.14998 26.98729 24.66367 …

8 r  time-series  forecasting  simulation  tbats