Jak zaadaptować model tbats w r (z przykładem)

Popularna metoda prognozowania szeregów czasowych znana jest jako TBATS , co jest skrótem od:

• Sezonowość trygonometryczna
• Pudełko – Transformacja Coxa
• Błąd RMA
• Tendencja
• Składniki sezonowe .

Ta metoda pasuje do różnych modeli z i bez:

• Sezonowość
• Transformacja Boxa-Coxa
• Proces ARMA(p,q).
• Różne trendy
• Różne efekty sezonowe

Ta metoda spowoduje wybranie modelu o najniższej wartości kryterium informacyjnego Akaike (AIC) jako modelu końcowego.

Najłatwiejszym sposobem dopasowania modelu TBATS do zbioru danych szeregów czasowych w R jest użycie funkcji tbats z pakietu prognostycznego .

Poniższy przykład pokazuje, jak w praktyce wykorzystać tę funkcję.

Przykład: Jak zaadaptować model TBATS w R

W tym przykładzie wykorzystamy wbudowany zbiór danych R o nazwie USAccDeaths , który zawiera wartości całkowitej miesięcznej liczby zgonów wskutek wypadków w Stanach Zjednoczonych w latach 1973-1978:

 #view USAccDeaths dataset
USAccDeaths

       Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
1973 9007 8106 8928 9137 10017 10826 11317 10744 9713 9938 9161 8927
1974 7750 6981 8038 8422 8714 9512 10120 9823 8743 9129 8710 8680
1975 8162 7306 8124 7870 9387 9556 10093 9620 8285 8466 8160 8034
1976 7717 7461 7767 7925 8623 8945 10078 9179 8037 8488 7874 8647
1977 7792 6957 7726 8106 8890 9299 10625 9302 8314 8850 8265 8796
1978 7836 6892 7791 8192 9115 9434 10484 9827 9110 9070 8633 9240

Możemy użyć poniższego kodu, aby dopasować model TBATS do tego zbioru danych i dokonać prognoz dotyczących wartości na nadchodzące miesiące:

 library (forecast)

#fit TBATS model
fit <- tbats(USAccDeaths)

#use model to make predictions
predict <- predict(fit)

#view predictions      
predict

         Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
Jan 1979 8307.597 7982.943 8632.251 7811.081 8804.113
Feb 1979 7533,680 7165,539 7901,822 6970,656 8096,704
Mar 1979 8305.196 7882.740 8727.651 7659.106 8951.286
Apr 1979 8616.921 8150.753 9083.089 7903.978 9329.864
May 1979 9430.088 8924.028 9936.147 8656.137 10204.038
Jun 1979 9946.448 9403.364 10489.532 9115.873 10777.023
Jul 1979 10744,690 10167,936 11321,445 9862,621 11626,760
Aug 1979 10108,781 9499,282 10718,280 9176,632 11040,929
Sep 1979 9034.784 8395.710 9673.857 8057.405 10012.162
Oct 1979 9336.862 8668.087 10005.636 8314.060 10359.664
Nov 1979 8819.681 8124.604 9514.759 7756.652 9882.711
Dec 1979 9099.344 8376.864 9821.824 7994.407 10204.282
Jan 1980 8307.597 7563.245 9051.950 7169.208 9445.986
Feb 1980 7533.680 6769.358 8298.002 6364.750 8702.610
Mar 1980 8305.196 7513.281 9097.111 7094.067 9516.325
Apr 1980 8616,921 7800,849 9432,993 7368,847 9864,995
May 1980 9430.088 8590.590 10269.585 8146.187 10713.988
Jun 1980 9946.448 9084.125 10808.771 8627.639 11265.257
Jul 1980 10744.690 9860.776 11628.605 9392.859 12096.522
Aug 1980 10108,781 9203,160 11014,402 8723,753 11493,809
Sep 1980 9034.784 8109.000 9960.567 7618.920 10450.647
Oct 1980 9336.862 8390.331 10283.392 7889.269 10784.455
Nov 1980 8819.681 7854.387 9784.976 7343.391 10295.972
Dec 1980 9099.344 8114.135 10084.554 7592.597 10606.092

Wynik pokazuje przewidywaną liczbę zgonów na nadchodzące miesiące oraz przedziały ufności 80% i 95%.

Na przykład możemy zobaczyć następujące prognozy na styczeń 1979 r.:

• Oczekiwana liczba zgonów: 8 307 597
• 80% przedział ufności dla liczby zgonów: [7982,943, 8632,251]
• 95% przedział ufności dla liczby zgonów: [7811.081, 8804.113]

Możemy również użyć funkcji plot() do wykreślenia przewidywanych przyszłych wartości:

 #plot the predicted values
plot(forecast(fit))

Niebieska linia przedstawia przewidywane przyszłe wartości, a szare paski przedstawiają granice przedziału ufności.

Dodatkowe zasoby

Poniższe samouczki wyjaśniają, jak wykonywać inne typowe zadania w języku R:

Jak wykreślić szereg czasowy w R
Jak wykonać prostą regresję liniową w R
Jak wykonać wielokrotną regresję liniową w R