Làm thế nào để giải thích kết quả mô hình TBATS và chẩn đoán mô hình

Tôi đã có một dữ liệu nhu cầu nửa giờ, đó là một chuỗi thời gian nhiều mùa. Tôi đã sử dụng tbatstrong forecastgói vào R, và nhận được kết quả như thế này:

TBATS(1, {5,4}, 0.838, {<48,6>, <336,6>, <17520,5>}) 

Điều đó có nghĩa là sê-ri không nhất thiết phải sử dụng phép biến đổi Box-Cox và thuật ngữ lỗi là ARMA (5, 4) và các thuật ngữ 6, 6 và 5 được sử dụng để giải thích tính thời vụ? Tham số ẩm 0,8383 đó có nghĩa là gì, nó cũng là để chuyển đổi?

Sau đây là sơ đồ phân rã của mô hình:

Tôi đang tự hỏi những gì làm levelvà slopenói về mô hình. "Độ dốc" cho biết xu hướng, nhưng còn level? Làm thế nào để có được một âm mưu rõ ràng hơn session 1và session 2, theo mùa hàng ngày và hàng tuần theo mùa.

Tôi cũng biết những gì cần biết làm chẩn đoán mô hình tbatsđể đánh giá mô hình, ngoại trừ giá trị RMSE. Cách thông thường là kiểm tra xem lỗi có phải là nhiễu trắng hay không, nhưng ở đây lỗi được cho là một chuỗi ARMA. Tôi vẽ lỗi 'acf' và 'pacf' và tôi không nghĩ nó giống ARMA (5,4). Có nghĩa là mô hình của tôi không tốt?

acf(resid(model1),lag.max = 1000)
pacf(resid(model1),lag.max=1000)

Câu hỏi cuối cùng, RMSEđược tính bằng cách sử dụng giá trị được trang bị và giá trị thực. Điều gì xảy ra nếu tôi sử dụng giá trị dự đoán fc1.week$meanvà giá trị thực để đánh giá mô hình, liệu nó có còn được gọi RMSEkhông? Hoặc, có một tên khác cho điều này?

fc1.week <-forecast(model1,h=48*7)
fc1.week.demand<-fc1.week$mean

Trong trang trợ giúp cho ?tbats, chúng tôi thấy rằng:

Mô hình được trang bị được chỉ định TBATS (omega, p, q, phi ,, ...,) trong đó omega là tham số Box-Cox và phi là tham số giảm xóc; lỗi được mô hình hóa như một quá trình ARMA (p, q) và m1, ..., mJ liệt kê các giai đoạn theo mùa được sử dụng trong mô hình và k1, ..., kJ là số thuật ngữ Fourier tương ứng được sử dụng cho mỗi mùa.

Vì thế:

• omega = 1, có nghĩa là thực sự, không có biến đổi Box-Cox .
• $\phi=0$$\phi=1$use.damped.trendtbats()
• Bạn có ba chu kỳ theo mùa khác nhau, một chiều dài 48 = 24 * 2 (hàng ngày), một chiều dài 336 = 7 * 24 * 2 (hàng tuần) và một chiều dài 17520 = 365 * 24 * 2 (hàng năm). tbatsphù hợp với điều khoản đầu tiên sử dụng sáu thuật ngữ Fourier, lần thứ hai một lần nữa với sáu điều khoản cuối cùng với năm điều khoản.

Bài báo TBATS ban đầu của De Livera, Hyndman & Snyder (2011, JASA ) tất nhiên là hữu ích.

Kế tiếp:

• "Cấp độ" là cấp độ địa phương của chuỗi thời gian.
• "Xu hướng" là xu hướng cục bộ.

Chúng tương tự như phân rã xu hướng theo mùa phổ biến hơn bằng cách sử dụng lowess (STL) . Hãy nhìn vào stl()lệnh.

Để có được một âm mưu rõ ràng hơn cho season1 và season2, bạn có thể xem xét các giá trị số của các thành phần riêng biệt trong mô hình TBATS của bạn. Nhìn vào str(tbats.components(model1))và summary(tbats.components(model1)). tbats.components()cung cấp cho bạn một mtsđối tượng chuỗi nhiều thời gian ( ), về cơ bản là một ma trận - một trong các cột sẽ cung cấp cho bạn từng thành phần theo mùa.

residuals()nên hoạt động như nó hoạt động ở mọi nơi trong R; đó là, nó sẽ trả lại phần dư cuối cùng . Đây thực sự phải là tiếng ồn trắng, bởi vì chúng là phần dư sau khi áp dụng ARMA (5,4). Các đỉnh trong ACF của bạn dường như đều đặn - có vẻ như có một số tính thời vụ còn lại. Bạn có thể suy ra tính định kỳ của họ? (Điều đó thực sự không giúp ích gì cho độ trễ được tính bằng bội số của chu kỳ theo mùa dài nhất.)

Cuối cùng, có, lỗi bình phương trung bình gốc, là thước đo độ chính xác dự báo điểm chung , có cùng từ viết tắt của mẫu: RMSE.