Tengo datos de demanda de media hora, que es una serie de tiempo de múltiples estaciones. He utilizado tbats
en el forecast
paquete en R, y dieron resultados como este:
TBATS(1, {5,4}, 0.838, {<48,6>, <336,6>, <17520,5>})
¿Significa que la serie no es necesariamente para usar la transformación Box-Cox, y el término de error es ARMA (5, 4), y los términos 6, 6 y 5 se usan para explicar la estacionalidad? ¿Qué significa ese parámetro amortiguado 0.8383, es también para la transformación?
El siguiente es el diagrama de descomposición del modelo:
Me pregunto qué hacer level
y slope
contar sobre el modelo. La 'pendiente' indica la tendencia, pero ¿qué pasa level
? Cómo obtener una trama más clara para session 1
y session 2
, que son estacionales diarias y semanales respectivamente.
También sé qué hacer para hacer diagnósticos del modelo para tbats
evaluar el modelo, excepto por el valor RMSE. La forma normal es verificar si el error es ruido blanco, pero aquí se supone que el error es una serie ARMA. Trazo 'acf' y 'pacf' del error, y no creo que se vea como ARMA (5,4). ¿Significa que mi modelo no es bueno?
acf(resid(model1),lag.max = 1000)
pacf(resid(model1),lag.max=1000)
La pregunta final, RMSE
se calcula utilizando el valor ajustado y el valor verdadero. ¿Qué fc1.week$mean
sucede si uso el valor pronosticado y el valor verdadero para evaluar el modelo, todavía se llama RMSE
? ¿O hay otro nombre para esto?
fc1.week <-forecast(model1,h=48*7)
fc1.week.demand<-fc1.week$mean
tbats()
inclusión de más términos de Fourier para estacionalidades específicas. Lo siento ...