टीबीएटीएस मॉडल परिणाम और मॉडल डायग्नोस्टिक्स की व्याख्या कैसे करें


11

मुझे आधे घंटे का डिमांड डेटा मिला है, जो एक बहु-मौसमी समय श्रृंखला है। मैं आर tbatsमें forecastपैकेज में इस्तेमाल किया , और इस तरह के परिणाम मिले:

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

क्या इसका मतलब यह है कि श्रृंखला आवश्यक रूप से बॉक्स-कॉक्स परिवर्तन का उपयोग करने के लिए नहीं है, और त्रुटि शब्द ARMA (5, 4), और 6, 6 और 5 शब्दों का उपयोग मौसमी को समझाने के लिए किया जाता है? उस घटिया पैरामीटर 0.8383 का क्या मतलब है, क्या यह परिवर्तन के लिए भी है?

निम्नलिखित मॉडल का अपघटन साजिश है:

यहाँ छवि विवरण दर्ज करें

मैं सोच रहा हूं कि मॉडल के बारे में क्या करूं levelऔर slopeबताऊं। 'ढलान' प्रवृत्ति बताता है, लेकिन इसके बारे में क्या level? के लिए एक स्पष्ट भूखंड पाने के लिए कैसे session 1और session 2है, जो दैनिक और साप्ताहिक मौसमी क्रमशः रहे हैं।

मुझे यह भी पता है कि मॉडल tbatsका आकलन करने के लिए मॉडल निदान कैसे करना है , आरएमएसई मूल्य को छोड़कर। सामान्य तरीका यह जांचना है कि क्या त्रुटि सफेद शोर है, लेकिन यहां त्रुटि को ARMA श्रृंखला माना जाता है। मैं 'acf' और 'pacf' त्रुटि की साजिश रचता हूं, और मुझे नहीं लगता कि यह ARMA (5,4) जैसा दिखता है। क्या इसका मतलब है कि मेरा मॉडल अच्छा नहीं है?

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

यहाँ छवि विवरण दर्ज करें

अंतिम प्रश्न, RMSEफिट किए गए मूल्य और सच्चे मूल्य का उपयोग करके गणना की जाती है। क्या होगा अगर मैं fc1.week$meanमॉडल का आकलन करने के लिए अनुमानित मूल्य और सही मूल्य का उपयोग करता हूं , क्या इसे अभी भी कहा जाता है RMSE? या, इसके लिए कोई दूसरा नाम है?

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

जवाबों:


8

के लिए मदद पृष्ठ में ?tbats, हम पाते हैं कि:

फिट किए गए मॉडल को टीबीएटीएस (ओमेगा, पी, क्यू, फी, ...,) निर्दिष्ट किया गया है, जहां ओमेगा बॉक्स-कॉक्स पैरामीटर है और फी डंपिंग पैरामीटर है; त्रुटि को ARMA (p, q) प्रक्रिया और m1, ..., mJ के रूप में मॉडल में उपयोग किए जाने वाले मौसमी काल को सूचीबद्ध किया जाता है और k1, ..., kJ प्रत्येक मौसमी के लिए उपयोग की जाने वाली फूरियर शब्दों की संगत संख्या है।

इसलिए:

  • ओमेगा = 1, जिसका अर्थ है कि वास्तव में, बॉक्स-कॉक्स परिवर्तन नहीं था ।
  • ϕ=0ϕ=1use.damped.trendtbats()
  • आपके पास तीन अलग-अलग मौसमी चक्र, लंबाई 48 = 24 * 2 (दैनिक), लंबाई 336 = 7 * 24 * 2 (साप्ताहिक) और लंबाई 17520 = 365 * 24 * 2 (वार्षिक) में से एक है। tbatsछह फूरियर शर्तों का उपयोग करके पहले वाले को फिट करता है, दूसरे को छह के साथ फिर से, पांच के साथ अंतिम।

मूल TBATS कागज डी Livera, Hyndman और स्नाइडर (2011, द्वारा Jasa ) पाठ्यक्रम उपयोगी की है।

आगे:

  • "स्तर" समय श्रृंखला का स्थानीय स्तर है।
  • "प्रवृत्ति" स्थानीय प्रवृत्ति है।

ये निम्नता (एसटीएल) का उपयोग करके अधिक सामान्य सीज़न-ट्रेंड अपघटन के अनुरूप हैं । stl()कमान पर एक नजर डालें ।

सीज़न 1 और सीज़न 2 के लिए एक स्पष्ट भूखंड प्राप्त करने के लिए, आप अपने टीबीएटीएस मॉडल के अलग-अलग घटकों के संख्यात्मक मूल्यों पर गौर कर सकते हैं। str(tbats.components(model1))और देखो summary(tbats.components(model1))tbats.components()आपको कई बार श्रृंखला ( mts) वस्तु देता है, जो अनिवार्य रूप से एक मैट्रिक्स है - स्तंभों में से एक आपको प्रत्येक मौसमी घटक देगा।

residuals()R की तरह हर जगह काम करना चाहिए; यही है, इसे अंतिम अवशेषों को वापस करना चाहिए । ये वास्तव में सफेद शोर होना चाहिए, क्योंकि वे ARMA (5,4) लगाने के बाद अवशिष्ट हैं । आपके ACF में चोटियों को नियमित रूप से दिखाई देता है - ऐसा लगता है कि कुछ मौसम शेष है। क्या आप उनकी आवधिकता को कम कर सकते हैं? (यह वास्तव में मदद नहीं करता है कि लैग्स को सबसे लंबे मौसमी चक्र के गुणकों में गिना जाता है।)

अंत में, हाँ, रूट का अर्थ चुकता त्रुटि है, जो एक सामान्य बिंदु पूर्वानुमान सटीकता माप है , इसका एक ही संक्षिप्त-आउट नमूना है: RMSE।


1
आपका बहुत बहुत धन्यवाद! हां, ACF का शिखर नियमित है, 48 lags में एक चोटी है। समस्या यह है कि मैंने पहले ही अपनी समय श्रृंखला में 48 को मौसमी के रूप में शामिल कर लिया है। आप आम तौर पर मौसमी अवशिष्ट को ठीक करने के लिए कैसे करते हैं? कुछ और कोशिश करने लायक है?
जीनी

1
हम। दुर्भाग्य से, मुझे tbats()विशिष्ट मौसमी के लिए अधिक फूरियर शर्तों को शामिल करने के लिए मजबूर करने का एक तरीका नहीं दिखता है । क्षमा करें ...
Stephan Kolassa
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.