1
我的目标是预测两个不同频道的每日注册数量。每日时间序列预测,每周和每年周期
本周的季节性很强,特别是周末,也观察到了年度效应。此外,我还有一些特别活动日,与其他日子有很大不同。
首先,我在这两个通道上应用了TBATS模型。
x.msts <- msts(Channel1_reg,seasonal.periods=c(7,365.25))
# fit model
fit <- tbats(x.msts)
fit
plot(fit)
forecast_channel1 <- forecast(fit,h=30)
第一道:
TBATS(0, {2,3}, -, {<7,3>, <365.25,2>})
Call: tbats(y = x.msts)
Parameters
Lambda: 0
Alpha: 0.0001804516
Gamma-1 Values: -1.517954e-05 1.004701e-05
Gamma-2 Values: -3.059654e-06 -2.796211e-05
AR coefficients: 0.249944 0.544593
MA coefficients: 0.215696 -0.361379 -0.21082
二通道:
BATS(0, {2,2}, 0.929, -)
Call: tbats(y = y.msts)
Parameters
Lambda: 0
Alpha: 0.1652762
Beta: -0.008057904
Damping Parameter: 0.928972
AR coefficients: -0.586163 -0.676921
MA coefficients: 0.924758 0.743675
如果我预测第二通道,我只得到空值,而不是任何预测。
- 请问您为什么这么做?
- 你有什么建议如何在特定的日子里建立这个模型?
谢谢大家!
我已经阅读了你的许多出版物,很高兴看到你是帮助我的人,谢谢@RobHyndman教授! :) 按照你的建议,我在l_holidays和f_holidays中创建了一个过去的事件和未来的事件。 /* '谐波< - 傅立叶(x2.msts,K = C(3,2)) fit2_harm < - auto.arima(x2.msts,λ-= 0, XREG = cbind(谐波,l_holidays),季节性= FALSE) f2 < - 预测(fit2_harm, xreg = cbind(fourierf(x2.msts,K = c(3,2),h = fcast_int),f_holidays))* * 模型性能和细节: http://tinyurl.com/zush5lm – ponthu
你对这种模式有什么看法?以某种方式识别异常值并像事件一样在单独的协变量中处理它们会有好处吗? – ponthu