1
我的目標是預測兩個不同頻道的每日註冊數量。每日時間序列預測,每週和每年週期
本週的季節性很強,特別是週末,也觀察到了年度效應。此外,我還有一些特別活動日,與其他日子有很大不同。
首先,我在這兩個通道上應用了TBATS模型。
x.msts <- msts(Channel1_reg,seasonal.periods=c(7,365.25))
# fit model
fit <- tbats(x.msts)
fit
plot(fit)
forecast_channel1 <- forecast(fit,h=30)
第一道:
TBATS(0, {2,3}, -, {<7,3>, <365.25,2>})
Call: tbats(y = x.msts)
Parameters
Lambda: 0
Alpha: 0.0001804516
Gamma-1 Values: -1.517954e-05 1.004701e-05
Gamma-2 Values: -3.059654e-06 -2.796211e-05
AR coefficients: 0.249944 0.544593
MA coefficients: 0.215696 -0.361379 -0.21082
二通道:
BATS(0, {2,2}, 0.929, -)
Call: tbats(y = y.msts)
Parameters
Lambda: 0
Alpha: 0.1652762
Beta: -0.008057904
Damping Parameter: 0.928972
AR coefficients: -0.586163 -0.676921
MA coefficients: 0.924758 0.743675
如果我預測第二通道,我只得到空值,而不是任何預測。
- 請問您爲什麼這麼做?
- 你有什麼建議如何在特定的日子裏建立這個模型?
謝謝大家!
我已經閱讀了你的許多出版物,很高興看到你是幫助我的人,謝謝@RobHyndman教授! :) 按照你的建議,我在l_holidays和f_holidays中創建了一個過去的事件和未來的事件。 /* '諧波< - 傅立葉(x2.msts,K = C(3,2)) fit2_harm < - auto.arima(x2.msts,λ-= 0, XREG = cbind(諧波,l_holidays),季節性= FALSE) f2 < - 預測(fit2_harm, xreg = cbind(fourierf(x2.msts,K = c(3,2),h = fcast_int),f_holidays))* * 模型性能和細節: http://tinyurl.com/zush5lm – ponthu
你對這種模式有什麼看法?以某種方式識別異常值並像事件一樣在單獨的協變量中處理它們會有好處嗎? – ponthu