Hàm ETS (), làm thế nào để tránh dự báo không phù hợp với dữ liệu lịch sử?

Tôi đang làm việc trên một alogorithm trong R để tự động hóa tính toán dự báo hàng tháng. Tôi đang sử dụng, trong số những người khác, hàm ets () từ gói dự báo để tính toán dự báo. Nó đang làm việc rất tốt.

Thật không may, đối với một số chuỗi thời gian cụ thể, kết quả tôi nhận được là kỳ lạ.

Xin vui lòng, tìm bên dưới mã tôi đang sử dụng:

train_ts<- ts(values, frequency=12)
fit2<-ets(train_ts, model="ZZZ", damped=TRUE, alpha=NULL, beta=NULL, gamma=NULL, 
            phi=NULL, additive.only=FALSE, lambda=TRUE, 
            lower=c(0.0001,0.0001,0.0001,0.8),upper=c(0.9999,0.9999,0.9999,0.98), 
            opt.crit=c("lik","amse","mse","sigma","mae"), nmse=3, 
            bounds=c("both","usual","admissible"), ic=c("aicc","aic","bic"),
            restrict=TRUE)  
ets <- forecast(fit2,h=forecasthorizon,method ='ets')   

Xin vui lòng, bạn sẽ tìm thấy bên dưới bộ dữ liệu lịch sử liên quan:

 values <- c(27, 27, 7, 24, 39, 40, 24, 45, 36, 37, 31, 47, 16, 24, 6, 21, 
35, 36, 21, 40, 32, 33, 27, 42, 14, 21, 5, 19, 31, 32, 19, 36, 
29, 29, 24, 42, 15, 24, 21)

Ở đây, trên biểu đồ, bạn sẽ thấy dữ liệu lịch sử (màu đen), giá trị được trang bị (màu xanh lá cây) và dự báo (màu xanh). Dự báo chắc chắn không phù hợp với giá trị được trang bị.

Bạn có bất cứ ý tưởng nào về cách "ràng buộc" forecat để "phù hợp" với doanh số lịch sử không?

Như @forecaster đã chỉ ra, điều này được gây ra bởi các ngoại lệ ở cuối của bộ truyện. Bạn có thể thấy vấn đề rõ ràng nếu bạn vẽ thành phần mức ước tính trên đầu trang:

plot(forecast(fit2))
lines(fit2$states[,1],col='red')

Lưu ý sự gia tăng cấp độ ở cuối bộ truyện.

Một cách để làm cho mô hình mạnh hơn đối với các ngoại lệ là giảm không gian tham số để các tham số làm mịn phải lấy các giá trị nhỏ hơn:

fit2 <- ets(train_ts, upper=c(0.3,0.2,0.2,0.98))  
plot(forecast(fit2))

Đây là trường hợp sách giáo khoa về việc có các ngoại lệ ở cuối bộ và hậu quả không lường trước được của nó. Vấn đề với dữ liệu của bạn là hai điểm cuối cùng là ngoại lệ , bạn có thể muốn xác định và xử lý các ngoại lệ trước khi bạn chạy các thuật toán dự báo. Tôi sẽ cập nhật câu trả lời và phân tích của tôi sau hôm nay về một số chiến lược để xác định các ngoại lệ. Dưới đây là cập nhật nhanh chóng.

Khi tôi chạy lại với hai điểm dữ liệu cuối cùng bị xóa, tôi nhận được một dự báo hợp lý. Vui lòng xem bên dưới:

values.clean <- c(27, 27, 7, 24, 39, 40, 24, 45, 36, 37, 31, 47, 16, 24, 6, 21, 
                  35, 36, 21, 40, 32, 33, 27, 42, 14, 21, 5, 19, 31, 32, 19, 36, 
                  29, 29, 24, 42, 15)## Last two points removed

train_ts.clean<- ts(values.clean, frequency=12)
fit2.clean<-ets(train_ts.clean)  
ets.f.clean <- forecast(fit2.clean,h=24)
plot(ets.f.clean)

@ dự ánbạn đúng rằng giá trị cuối cùng là một ngoại lệ NHƯNG 38 (giá trị áp chót) không phải là một ngoại lệ khi bạn tính đến các xu hướng và hoạt động theo mùa. Đây là một thời điểm xác định / giảng dạy để thử nghiệm / đánh giá các phương pháp mạnh mẽ thay thế. Nếu bạn không xác định và điều chỉnh sự bất thường thì phương sai sẽ bị thổi phồng khiến các vật phẩm khác không được tìm thấy. Giai đoạn 32 cũng là một ngoại lệ. Thời kỳ 3,32 và 1 cũng là ngoại lệ. Có một xu hướng có ý nghĩa thống kê trong chuỗi cho 17 giá trị đầu tiên nhưng giảm dần sau đó bắt đầu từ giai đoạn 18. Vì vậy, thực sự có hai xu hướng trong dữ liệu. Bài học rút ra ở đây là các cách tiếp cận đơn giản cho rằng không có xu hướng hoặc một hình thức cụ thể nào của xu hướng và / hoặc ngầm giả định một dạng cụ thể của quá trình hồi quy tự động cần phải được đặt câu hỏi nghiêm túc. Đi về phía trước một dự báo tốt nên phải xem xét sự tiếp tục có thể của hoạt động đặc biệt được tìm thấy ở điểm cuối cùng (giai đoạn 39). Không thể trích xuất điều này từ dữ liệu.

Đây là một mô hình có thể hữu ích:

Số liệu thống kê của mô hình cuối cùng ở đây Biểu đồ thực tế / phù hợp và dự báo rất thú vị vì nó làm nổi bật hoạt động đặc biệt.