Saya sudah mendapat data permintaan setengah jam, yang merupakan rangkaian waktu multi-musiman. Aku digunakan tbats
dalam forecast
paket di R, dan mendapat hasil seperti ini:
TBATS(1, {5,4}, 0.838, {<48,6>, <336,6>, <17520,5>})
Apakah ini berarti seri tidak harus menggunakan transformasi Box-Cox, dan istilah kesalahan adalah ARMA (5, 4), dan 6, 6 dan 5 istilah digunakan untuk menjelaskan musiman? Apa artinya parameter teredam 0,8383, apakah itu juga untuk transformasi?
Berikut ini adalah plot dekomposisi model:
Saya bertanya-tanya apa yang dilakukan level
dan slope
diceritakan tentang model tersebut. 'Kemiringan' menunjukkan tren, tetapi bagaimana level
? Cara mendapatkan plot yang lebih jelas untuk session 1
dan session 2
, yang musiman harian dan mingguan.
Saya juga tahu bagaimana cara melakukan diagnosa model untuk tbats
menilai model, kecuali untuk nilai RMSE. Cara normal adalah untuk memeriksa apakah kesalahannya adalah white noise, tetapi di sini kesalahan tersebut seharusnya merupakan seri ARMA. Saya plot 'acf' dan 'pacf' dari kesalahan, dan saya tidak berpikir itu terlihat seperti ARMA (5,4). Apakah ini berarti model saya tidak bagus?
acf(resid(model1),lag.max = 1000)
pacf(resid(model1),lag.max=1000)
Pertanyaan terakhir, RMSE
dihitung dengan menggunakan nilai pas dan nilai sebenarnya. Bagaimana jika saya menggunakan nilai prediksi fc1.week$mean
dan nilai sebenarnya untuk menilai model, apakah masih disebut RMSE
? Atau, ada nama lain untuk ini?
fc1.week <-forecast(model1,h=48*7)
fc1.week.demand<-fc1.week$mean
tbats()
memasukkan lebih banyak istilah Fourier untuk musiman tertentu. Maaf ...