दैनिक, साप्ताहिक और वार्षिक आवधिकता के साथ प्रति घंटा समय श्रृंखला का पूर्वानुमान


12

प्रमुख संपादन: मैं डेव और निक को उनकी प्रतिक्रियाओं के लिए अब तक बड़ा धन्यवाद कहना चाहूंगा। अच्छी खबर यह है कि मुझे काम करने के लिए लूप मिला (सिद्धांत ने प्रो। हाईडमैन के बैच पूर्वानुमान पर पोस्ट से उधार लिया है)। बकाया प्रश्नों को समेकित करने के लिए:

a) मैं auto.arima के लिए अधिकतम पुनरावृत्तियों को कैसे बढ़ाऊं - ऐसा लगता है कि बड़ी संख्या में बहिर्जात चर के साथ auto.arima अंतिम मॉडल पर परिवर्तित होने से पहले अधिकतम पुनरावृत्तियों को मार रहा है। कृपया मुझे सही करें अगर मैं इसे गलत समझ रहा हूं।

बी) निक से एक उत्तर, प्रकाश डाला गया है कि प्रति घंटे के अंतराल के लिए मेरी भविष्यवाणियां केवल उन प्रति घंटे के अंतराल से प्राप्त होती हैं और दिन में होने वाली घटनाओं से प्रभावित नहीं होती हैं। मेरी वृत्ति, इस डेटा से निपटने से, मुझे बताएं कि यह अक्सर एक महत्वपूर्ण मुद्दा नहीं होना चाहिए, लेकिन मैं सुझाव के लिए खुला हूं कि इससे कैसे निपटना है।

ग) डेव ने कहा है कि मुझे अपने भविष्यवक्ता चर के आसपास लीड / लैग समय की पहचान करने के लिए बहुत अधिक परिष्कृत दृष्टिकोण की आवश्यकता है। किसी को भी आर में इस के लिए एक प्रोग्रामेटिक दृष्टिकोण के साथ कोई अनुभव नहीं है? मैं निश्चित रूप से उम्मीद करता हूं कि सीमाएं होंगी, लेकिन मैं जहां तक ​​हो सके इस परियोजना को लेना चाहूंगा, और मुझे संदेह नहीं है कि यहां दूसरों के लिए भी इसका उपयोग करना चाहिए।

घ) नई क्वेरी लेकिन पूरी तरह से हाथ में कार्य से संबंधित है - क्या ऑटो.रिमा आदेशों का चयन करते समय रजिस्टरों पर विचार करता है?

मैं एक स्टोर की यात्राओं का पूर्वानुमान लगाने की कोशिश कर रहा हूं। मुझे चलती छुट्टियों, लीप वर्ष और छिटपुट घटनाओं (अनिवार्य रूप से आउटलेर) के लिए खाते की क्षमता की आवश्यकता होती है; इस आधार पर मैं इकट्ठा करता हूं कि ARIMAX मेरा सबसे अच्छा दांव है, जिसमें एक्सोजेन्स चर का उपयोग करके कई मौसमी और साथ ही उपरोक्त कारकों को मॉडल किया गया है।

डेटा 24 घंटे प्रति घंटे के अंतराल पर दर्ज किया जाता है। यह मेरे डेटा में शून्य की मात्रा के कारण समस्याग्रस्त साबित हो रहा है, विशेष रूप से दिन के समय जो कि बहुत कम मात्रा में विज़िट देखते हैं, कभी-कभी कोई भी नहीं जब दुकान अभी-अभी खुली है। इसके अलावा, शुरुआती घंटे अपेक्षाकृत अनियमित हैं।

साथ ही, ऐतिहासिक डेटा के 3 साल + के साथ एक पूर्ण समय श्रृंखला के रूप में पूर्वानुमान करते समय कम्प्यूटेशनल समय बहुत बड़ा है। मुझे लगा कि यह दिन के प्रत्येक घंटे को अलग-अलग समय श्रृंखला के रूप में दर्ज करके इसे और तेज़ बना देगा, और दिन के व्यस्त समय पर इसका परीक्षण करने पर उच्च सटीकता प्राप्त होती है, लेकिन फिर से शुरुआती / बाद के घंटों के साथ एक समस्या साबित होती है कि डॉन ' t लगातार विज़िट प्राप्त करते हैं। मेरा मानना ​​है कि इस प्रक्रिया से auto.arima का उपयोग करने से लाभ होगा, लेकिन यह पुनरावृत्तियों की अधिकतम संख्या तक पहुँचने से पहले एक मॉडल पर अभिसरण करने में सक्षम प्रतीत नहीं होता है (इसलिए एक मैनुअल फिट और अधिकतम खंड का उपयोग करके)।

मैंने विज़िट करने के लिए एक बहिर्मुखी चर बनाकर 'लापता' डेटा को संभालने की कोशिश की है। 0. फिर से, यह दिन के व्यस्त समय के लिए बहुत अच्छा काम करता है, जब केवल विज़िट ही नहीं होती हैं जब स्टोर दिन के लिए बंद होता है; इन उदाहरणों में, बहिर्जात चर सफलतापूर्वक आगे पूर्वानुमान लगाने के लिए इसे संभालने के लिए लगता है और पहले बंद होने वाले दिन के प्रभाव को शामिल नहीं करता है। हालाँकि, मुझे यकीन नहीं है कि इस सिद्धांत का उपयोग कैसे करना है जहां स्टोर खुला है, लेकिन हमेशा यात्रा नहीं मिलती है।

प्रोफेसर हंडमैन द्वारा आर में बैच के पूर्वानुमान के बारे में पोस्ट की मदद से, मैं 24 श्रृंखलाओं के पूर्वानुमान के लिए एक लूप स्थापित करने का प्रयास कर रहा हूं, लेकिन ऐसा नहीं लगता है कि मैं दोपहर 1 बजे के लिए पूर्वानुमान लगाना चाहता हूं और समझ नहीं पा रहा हूं। मुझे "त्रुटि में त्रुटि (init [मास्क]], armafn, विधि = optim.method, hessian = TRUE: गैर-परिमित परिमित-अंतर मूल्य [1]" मिलता है, लेकिन जैसा कि सभी श्रृंखलाएं समान लंबाई की हैं और मैं अनिवार्य रूप से उपयोग कर रहा हूं वही मैट्रिक्स, मुझे समझ में नहीं आता कि ऐसा क्यों हो रहा है। इसका मतलब है कि मैट्रिक्स पूरी रैंक का नहीं है, नहीं? मैं इस दृष्टिकोण में इससे कैसे बच सकता हूं?

https://www.dropbox.com/s/26ov3xp4ayig4ws/Data.zip

date()

#Read input files
INPUT <- read.csv("Input.csv")
XREGFDATA <- read.csv("xreg.csv")

#Subset time series data from the input file
TS <- ts(INPUT[,2:25], f=7)


fcast <- matrix(0, nrow=nrow(XREGFDATA),ncol=ncol(TS))

#Create matrix of exogenous variables for forecasting.
xregf <- (cbind(Weekday=model.matrix(~as.factor(XREGFDATA$WEEKDAY)),
                    Month=model.matrix(~as.factor(XREGFDATA$MONTH)),
                Week=model.matrix(~as.factor(XREGFDATA$WEEK)),
                    Nodata=XREGFDATA$NoData,
                NewYearsDay=XREGFDATA$NewYearsDay,
                    GoodFriday=XREGFDATA$GoodFriday,
                EasterWeekend=XREGFDATA$EasterWeekend,
                    EasterMonday=XREGFDATA$EasterMonday,
                MayDay=XREGFDATA$MayDay,
                    SpringBH=XREGFDATA$SpringBH,
                SummerBH=XREGFDATA$SummerBH,
                    Christmas=XREGFDATA$Christmas,
                BoxingDay=XREGFDATA$BoxingDay))
#Remove intercepts
xregf <- xregf[,c(-1,-8,-20)]

NoFcast <- 0

for(i in 1:24) {

  if(max(INPUT[,i+1])>0) {

  #The exogenous variables used to fit are the same for all series except for the
  #'Nodata' variable. This is to handle missing data for each series
   xreg <- (cbind(Weekday=model.matrix(~as.factor(INPUT$WEEKDAY)),
                     Month=model.matrix(~as.factor(INPUT$MONTH)),
                 Week=model.matrix(~as.factor(INPUT$WEEK)),
                     Nodata=ifelse(INPUT[,i+1] < 1,1,0),
                     NewYearsDay=INPUT$NewYearsDay,
                 GoodFriday=INPUT$GoodFriday,
                     EasterWeekend=INPUT$EasterWeekend,
                 EasterMonday=INPUT$EasterMonday,
                     MayDay=INPUT$MayDay,
                 SpringBH=INPUT$SpringBH,
                     SummerBH=INPUT$SummerBH,
                 Christmas=INPUT$Christmas,
                     BoxingDay=INPUT$BoxingDay))
  xreg <- xreg[,c(-1,-8,-20)]

  ARIMAXfit <- Arima(TS[,i], 
                     order=c(0,1,8), seasonal=c(0,1,0),
                     include.drift=TRUE,
                     xreg=xreg,
                     lambda=BoxCox.lambda(TS[,i])
                     ,optim.control = list(maxit=1500), method="ML")  


  fcast[,i] <- forecast(ARIMAXfit, xreg=xregf)$mean

 } else{
  NoFcast <- NoFcast +1
 }
}

#Save the forecasts to .csv
write(t(fcast),file="fcasts.csv",sep=",",ncol=ncol(fcast))


date()

मैं इस बारे में रचनात्मक आलोचना की पूरी तरह से सराहना करूंगा कि मैं इस बारे में और इस स्क्रिप्ट को काम करने के लिए कोई मदद कर रहा हूं। मुझे पता है कि अन्य सॉफ्टवेयर उपलब्ध है, लेकिन मैं यहां R और / या SPSS के उपयोग के लिए सख्ती से सीमित हूं ...

इसके अलावा, मैं इन मंचों के लिए बहुत नया हूं - मैंने यथासंभव पूर्ण स्पष्टीकरण देने की कोशिश की है, मैंने जो पूर्व शोध किया है उसका प्रदर्शन करता हूं और एक प्रतिलिपि प्रस्तुत करने योग्य उदाहरण भी प्रदान करता हूं; मुझे उम्मीद है कि यह पर्याप्त है लेकिन कृपया मुझे बताएं कि क्या कुछ और है जो मैं अपनी पोस्ट पर सुधार करने के लिए प्रदान कर सकता हूं।

संपादित करें: निक ने सुझाव दिया कि मैं पहले दैनिक योगों का उपयोग करता हूं। मुझे यह जोड़ना चाहिए कि मैंने इसका परीक्षण किया है और बहिर्जात चर दैनिक, साप्ताहिक और वार्षिक मौसमी पर कब्जा करने वाले पूर्वानुमानों का उत्पादन करते हैं। यह एक अन्य कारण था जिसके बारे में मैंने सोचा था कि प्रत्येक घंटे को एक अलग श्रृंखला के रूप में पूर्वानुमानित किया जाता है, जैसा कि निक ने भी उल्लेख किया है, किसी भी दिन 4pm के लिए मेरा पूर्वानुमान दिन में पिछले घंटों से प्रभावित नहीं होगा।

संपादित करें: 09/08/13, लूप के साथ समस्या बस उन मूल आदेशों के साथ थी जो मैंने परीक्षण के लिए उपयोग किए थे। मुझे यह जल्द ही स्पॉट करना चाहिए था और इस डेटा के साथ काम करने के लिए auto.arima पर प्रयास करने के लिए अधिक आग्रह करता हूं - ऊपर बिंदु a) और d) देखें।


इसके अलावा, मैंने मौसमी की देखभाल के लिए फूरियर का उपयोग करने की कोशिश की, लेकिन उसी त्रुटि को लौटाया "त्रुटि में त्रुटि (init [मास्क]], आर्मफेन, विधि = optim.method, हेस्सियन = TRUE: गैर-परिमित परिमित-अंतर मूल्य [1]" यहां तक ​​कि जब कोई अन्य बहिर्जात चर के साथ अपने आप पर एक मैट्रिक्स के रूप में उपयोग किया जाता है। कृपया कोई मुझे स्पष्टीकरण के साथ मदद कर सकता है कि ऐसा क्यों होगा?
krcooke

क्या आप डेटा को पुनः लोड कर सकते हैं?
MyHeadHurts

जवाबों:


4

दुर्भाग्यवश आपका मिशन R और SPSS के लिए प्रतिबंधित होने के बाद से विफलता के लिए बर्बाद है। आपको घटनाओं / छुट्टियों / बहिर्जात चर में से प्रत्येक के लिए लीड और लैग संबंध संरचना की पहचान करने की आवश्यकता है जो खेल में आ सकते हैं। आपको संभावित समय रुझानों का पता लगाने की आवश्यकता है जो SPSS नहीं कर सकते हैं। आपको समेकित रूप से अनुमानित पूर्वानुमान प्रदान करने के लिए प्रति घंटे के पूर्वानुमान में दैनिक रुझान / भविष्यवाणियों को शामिल करने की आवश्यकता है। आपको बदलते मापदंडों और बदलते विचरण से चिंतित होना चाहिए। उम्मीद है की यह मदद करेगा। हम इस तरह के डेटा को एक स्वचालित तरीके से वर्षों से मॉडलिंग कर रहे हैं, वैकल्पिक उपयोगकर्ता-निर्दिष्ट नियंत्रणों के विषय में।

संपादित करें: जैसा कि ओपी ने अनुरोध किया था कि मैं यहां एक विशिष्ट विश्लेषण प्रस्तुत करता हूं। मैं एक ले लिया अगर व्यस्त घंटे और एक दैनिक मॉडल विकसित किया है। एक पूर्ण विश्लेषण में सभी 24 घंटे विकसित किए जाएंगे और पूर्वानुमानों को समेटने के लिए एक दैनिक मॉडल भी बनाया जाएगा। निम्नलिखित मॉडल की एक आंशिक सूची है यहाँ छवि विवरण दर्ज करें। महत्वपूर्ण रजिस्टरों के अलावा (ध्यान दें कि वास्तविक लीड और लैग संरचना को छोड़ दिया गया है) ऐसे संकेतक थे जो मौसम के स्तर, बदलाव, दैनिक प्रभाव, दैनिक प्रभावों में परिवर्तन और इतिहास के अनुरूप नहीं होने वाले असामान्य मूल्यों को दर्शाते थे। मॉडल आँकड़े हैं यहाँ छवि विवरण दर्ज करें। अगले 360 दिनों के पूर्वानुमान का एक प्लॉट यहां दिखाया गया है यहाँ छवि विवरण दर्ज करें। वास्तविक / फ़िट / पूर्वानुमान ग्राफ़ बड़े करीने से परिणामों को सारांशित करता हैयहाँ छवि विवरण दर्ज करें.जब एक जबरदस्त जटिल समस्या का सामना करना पड़ा (जैसे यह!) एक को बहुत साहस, अनुभव और कंप्यूटर उत्पादकता एड्स के साथ दिखाने की जरूरत है। बस अपने प्रबंधन को सलाह दें कि समस्या हल करने योग्य है लेकिन जरूरी नहीं कि वह आदिम औजारों का उपयोग करके हो। मुझे उम्मीद है कि इससे आपको अपने प्रयासों को जारी रखने का प्रोत्साहन मिलेगा क्योंकि आपकी पिछली टिप्पणियां बहुत ही पेशेवर, व्यक्तिगत संवर्धन और सीखने की ओर अग्रसर हुई हैं। मैं जोड़ूंगा कि इस विश्लेषण के अपेक्षित मूल्य को जानने की जरूरत है और अतिरिक्त सॉफ्टवेयर पर विचार करते समय एक दिशानिर्देश के रूप में इसका उपयोग करें। इस चुनौतीपूर्ण कार्य के लिए संभव समाधान के लिए अपने "निर्देशकों" को निर्देशित करने में मदद के लिए शायद आपको एक ज़ोर की आवाज़ की ज़रूरत है।

डेली टोटल्स और प्रत्येक 24 प्रति घंटा मॉडल की समीक्षा करने के बाद, मैं निश्चित रूप से प्रतिबिंबित करूंगा कि विज़िट की संख्या एक गंभीर डाउनस्लाइड में है! भावी खरीदार द्वारा इस तरह का विश्लेषण एक गैर-खरीद का सुझाव देगा जबकि एक विक्रेता इस नकारात्मक प्रक्षेपण के आधार पर व्यवसाय को बेचने के अपने प्रयासों को फिर से दोगुना करने के लिए बुद्धिमान होगा।


हाय डेव, मेरे प्रश्न को पढ़ने और प्रतिक्रिया देने के लिए समय निकालने के लिए बहुत बहुत धन्यवाद। मैं समझता हूं कि आपका सॉफ्टवेयर किसी भी विकल्प से ऊपर और परे चला जाता है लेकिन दुर्भाग्य से फिलहाल मेरे लिए कोई विकल्प नहीं है। आर की क्षमताओं को जानने के बाद क्या कोई सलाह है जो आप मुझे पहले से किए गए सुधार पर दे सकते हैं? का संबंध है,
krcooke

@krcooke आप उपयुक्त प्रतिसाद की पहचान करने के लिए अपने प्रत्येक रजिस्टरों के चारों ओर यात्राओं और वैकल्पिक लीड्स / लैग्स के बीच क्रॉस-सहसंबंध की जांच कर सकते हैं। मैं पूरी तरह से निक के साथ सहमत हूं कि कुछ रजिस्टर्स कुछ घंटों के लिए उपयोगी हो सकते हैं लेकिन दूसरों के लिए नहीं। आप प्रत्येक घंटे को अलग से मॉडल कर सकते हैं। 4 प्रकार के आउटलेयर (पल्स, लेवल शिफ्ट, सीजनल पल्स और टाइम ट्रेंड्स) को देखते हुए एसएएस में उपलब्ध नहीं है जब आपके पास कारण और एसपीएसएस में अनुपलब्ध है। मैंने आपका डेटा डाउनलोड कर लिया है और ऑटोबॉक्स का उपयोग करेगा। .हम हमेशा आपके जैसे ही "कठिन डेटा" की तलाश में रहते हैं ताकि हमारे विश्लेषणों को कठोर बनाया जा सके।
आयरिशस्टैट

हाय डेव, मैं देखता हूँ कि मैं क्या कर सकता हूँ के आसपास के regressors के विश्लेषण। मैंने महसूस किया कि मेरे द्वारा उपयोग किए जाने वाले रेजिस्टर बहुत सारे 'मानक' थे और इस तरह के सभी स्टोरों को प्रभावित करने की संभावना थी। मैंने निक की टिप्पणी में एक उदाहरण के रूप में जयंती बैंक अवकाश सप्ताहांत का उपयोग किया; यह रजिस्टरों के उपयोग से सबसे अधिक लाभ होगा, लेकिन मैंने अभी के लिए इसे शामिल नहीं किया है। और मुझे यह देखने में बहुत दिलचस्पी है कि आप डेटा के साथ क्या कर सकते हैं! एक बार फिर धन्यवाद।
krcooke

7
" दुर्भाग्य से आपका मिशन विफलता के लिए बर्बाद है क्योंकि आप आर और एसपीएसएस तक सीमित हैं। " - यह टिप्पणी, दुर्भाग्य से बहुत दूर तक जाती है; कोई भी ट्यूरिंग-पूर्ण भाषा किसी भी अन्य में लिखे किसी भी एल्गोरिथ्म को लागू कर सकती है, भले ही यह स्विचिंग द्वारा मशीन कोड में केवल प्रोग्राम योग्य हो और लेगो में पूरी तरह से लागू हो। कोई गणना नहीं है जिसे एक में लागू किया जा सकता है जो दूसरे में नहीं किया जा सकता है। जब तक आप AUTOBOX के लिए जादुई गुणों का दावा नहीं कर रहे हैं, मेरा मानना ​​है कि अंतर के रूप में "वैनिला वितरण में पहले से ही उपलब्ध" जैसे कुछ कहने का क्या मतलब है।
Glen_b -Reinstate मोनिका

@Glen_b मैंने जो कहा है वह यह है कि वेनिला के वितरण में आपके द्वारा उपयोग की जा रही गोलाबारी हाथ में समस्या को हल करने के लिए अपर्याप्त है जब तक कि आपके पास नई प्रक्रियाओं को लिखने के लिए आपके हाथों पर बहुत समय न हो।
23

10

यह टिप्पणियों के एक बंडल से अधिक नहीं है, लेकिन यह उस प्रारूप के लिए बहुत लंबा होगा। मैं एक समय श्रृंखला शौकिया से अधिक नहीं हूं, लेकिन मेरे पास कुछ सरल सुझाव हैं।

  1. आप यहां आदेशों के तहत हो सकते हैं, लेकिन मुझे लगता है कि आप जो हासिल करने की उम्मीद करते हैं और जो आपके लिए सबसे महत्वपूर्ण है, उसके संदर्भ में कुछ पैनापन चाहिए। पूर्वानुमान का दौरा, दुर्भाग्य से, एक अस्पष्ट लक्ष्य है। उदाहरण के लिए, मान लीजिए कि यह शाम 4 बजे है और आप एक घंटे आगे की यात्राओं का पूर्वानुमान लगाना चाहते हैं। क्या आपको वास्तव में पूरी पिछली श्रृंखला के उपचार को शामिल करने वाले सुपर-मॉडल की आवश्यकता है? यह वास्तविक व्यावहारिक और / या वैज्ञानिक लक्ष्यों के कुछ विचार से आना है, जो आपके वरिष्ठों या एक ग्राहक द्वारा निर्धारित किया जा सकता है या एक शोधकर्ता के रूप में आपका अपना हो सकता है। मुझे संदेह है कि इसकी अधिक संभावना है कि विभिन्न प्रयोजनों के लिए विभिन्न मॉडलों की आवश्यकता होती है।

  2. प्रति घंटे की श्रृंखला को अलग करने के लिए गणना के विचार से संचालित होने के विचार के बिना लगता है कि यह कितना समझ में आता है। तो, इसका तात्पर्य यह है कि आप पहले से आज की जानकारी का उपयोग नहीं करते हैं (यह अनुमान लगाने में कि शाम 4 बजे क्या हो रहा है, पिछले सभी 4 दिनों के अवलोकन के बाद? यह मुझे लगता है कि के माध्यम से बात करने की बहुत जरूरत है।

  3. आप स्पष्ट रूप से समय श्रृंखला में एक शिक्षार्थी हैं (और मैं खुद को एक सममूल्य पर रख रहा हूं) लेकिन किसी भी शिक्षार्थी को इस समस्या से शुरू नहीं करना चाहिए। वास्तव में! आपके पास बहुत अधिक डेटा है, आपके पास कई पैमानों पर आवधिकताएं हैं, आपके पास खुलने के घंटों और छुट्टियों की अनियमितताएं हैं, आपके पास बहिर्जात चर हैं: आपने बहुत कठिन समस्या को उठाया है। (रुझानों के बारे में भी क्या?) यह कहना आसान है, लेकिन यह स्पष्ट रूप से अब तक आपको पारित कर चुका है: आपको पहले समस्या के बहुत ही सरलीकृत संस्करणों पर काम करना पड़ सकता है और सरल मॉडल को कैसे फिट करना है, इसके बारे में महसूस करना होगा। एक बड़े जटिल मॉडल के लिए सब कुछ फेंकना स्पष्ट रूप से अच्छी तरह से काम नहीं कर रहा है, और कुछ मौलिक रूप से सरल लग रहा है, या यह एहसास कि परियोजना संभवतः बहुत महत्वाकांक्षी है।


हाय निक, 1- वास्तव में मैं आदेशों के तहत हूँ! लक्ष्य एक मॉडल बनाने का प्रयास करना है, ताकि यह बहुत अधिक ओवर-फोरकास्ट न हो (जिसके परिणामस्वरूप कर्मचारियों का समय बर्बाद होता है) या अंडर-फोरकास्ट (ताकि कर्मचारी ओवर-व्हीलेम्ड न हों)। 2- मैंने इस पर विचार किया था, लेकिन इस बात को समझने के लिए गहराई से खुदाई करूंगा कि मैं इस तरह क्या हासिल / खोता हूं। एक श्रृंखला के रूप में पूर्वानुमान एक 'सुपर मॉडल' के समान लग रहा था जैसे आपने इसे लगाया। 3- मैं जानता हूं कि यह बहुत कठिन है और मैं इस समय अपने वजन से ऊपर जा रहा हूं, लेकिन मैं एक सरल समाधान के लिए पूरी तरह से तैयार हूं जो यहां मेरे लिए भी काम करेगा। आपके विचारों के लिए बहुत धन्यवाद, निक।
krcooke

यह सरल समाधानों के संदर्भ में है, मैं घातीय चौरसाई तकनीक को इस तरह से काम नहीं कर सका कि पिछले साल जयंती सप्ताहांत अवधि इस वर्ष (उसी अवधि) से अधिक पूर्वानुमान का कारण बनती है। आउटलेर्स के प्रकार के कारण जो मुझे शामिल किया गया है, मुझे ऐसा महसूस हुआ कि मुझे बिल्कुल बाहरी चर का उपयोग करना था। क्या आपके पास कोई अन्य विचार है जो मैं तलाश सकता हूं?
kookooke

सभी मैं कह सकता हूं कि यदि मैं आदेशों के तहत था और जो जानकारी आप यहां दे रहे हैं, वह ठीक है तो मैं क्या करूंगा। मेरी वृत्ति पहले दैनिक योगों को एकत्र करने और उन लोगों के साथ काम करने के लिए होगी। यह काफी कठिन है। यहाँ महत्वपूर्ण होना बहुत आसान है ....
निक कॉक्स

हाय निक, मेरी गलती, मुझे पहले से ही कहना चाहिए था कि मैंने यह कोशिश की है। दैनिक योग के साथ परिणाम उचित दिखाई दिए। उचित ही महत्वपूर्ण शब्द है क्योंकि, जैसा कि आप और डेव दोनों ने कहा है, यहाँ पर विचार किया जाना कहीं अधिक है। यदि यह रुचि का है, तो मैं दैनिक डेटा को फिर से चला सकता हूं और प्रदर्शित कर सकता हूं कि यह साप्ताहिक, मासिक और वार्षिक मौसमी पर कब्जा कर रहा है। यही कारण है कि तब मैंने दैनिक श्रृंखला के रूप में प्रत्येक घंटे का अनुमान लगाने के लिए सोचा था।
krcooke

समस्याओं में से एक, जैसा कि मैंने पहले पोस्ट में उल्लेख किया है, यह है कि Auto.arima परिवर्तित करने से पहले अधिकतम पुनरावृत्तियों को हिट करता है यही कारण है कि मैं Arima () के साथ काफी सामान्यीकृत मापदंडों का उपयोग कर रहा हूं। कैसे मैं इस पर काबू पाने के लिए किसी भी मार्गदर्शन बहुत सराहना की जाएगी!
krcooke
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.