Я хотел бы разложить следующие данные временных рядов на сезонные, трендовые и остаточные компоненты. Данные представляют собой почасовой профиль Cooling Energy из коммерческого здания:
TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81)
plot(TotalCoolingForDecompose.ts)
Таким образом, существуют очевидные ежедневные и еженедельные сезонные эффекты, основанные на рекомендациях: Как разложить временные ряды с несколькими сезонными компонентами? Я использовал tbats
функцию из forecast
пакета:
TotalCooling.tbats <- tbats(TotalCoolingForDecompose.ts, seasonal.periods=c(24,168), use.trend=TRUE, use.parallel=TRUE)
plot(TotalCooling.tbats)
Что приводит к:
Что описывают level
и slope
компоненты этой модели? Как я могу получить компоненты trend
и remainder
компоненты, аналогичные статье, на которую ссылается этот пакет ( De Livera, Hyndman and Snyder (JASA, 2011) )?
Ответы:
В комментариях пользователей на этой странице кто-то спрашивает об интерпретации уровня и уклона, а также о том, как получить тренд и остатки, которые
decompose()
предоставляет функция. Гайндман отмечает , что не существует прямой перевод , какdecompose()
иtbats()
использовать различные модели. Но если ваша модель TBATS не имеет преобразования Бокса-Кокса, то уровень TBATS примерно соответствуетdecompose()
тренду. Если, с другой стороны, модель применяет преобразование Бокса-Кокса, вам нужно отменить преобразование, прежде чем интерпретировать уровень как (приблизительно) тренд. По крайней мере, так я интерпретирую его ответ.Что касается остатков и склона, они не одинаковы.
Можно подумать, что базовая декомпозиция имеет компонент тренда, сезонный компонент и остаточный компонент.
Вы можете разбить тренд вниз на уровень и уклон. Уровень по сути является базовой линией тренда, а наклон - это изменение за единицу времени.
Причина, по которой тренд разбивается на уровень и наклон, заключается в том, что некоторые модели поддерживают затухающий рост. Возможно, вы наблюдаете текущий рост, но ожидаете, что рост будет постепенно уменьшаться с течением времени, и вы хотите, чтобы ваши прогнозы отражали это ожидание. Модель поддерживает это, позволяя вам демпфировать рост, применяя коэффициент демпфирования к наклону, заставляя его сходиться к нулю, что означает, что тренд сходится к его компоненте уровня.
Нет простого ответа на вопрос о том, как уровень и наклон объединяются, чтобы привести к тренду. Это зависит от типа используемой вами модели. Как правило, аддитивные трендовые модели объединяют их аддитивным способом, а мультипликативные трендовые модели комбинируют их мультипликативным образом. Демпфированные варианты моделей сочетают уровень с демпфированным уклоном. В книге Хиндмана « Прогнозирование с экспоненциальным сглаживанием» (надеюсь, можно добавить ссылку на Amazon - я не имею никакого отношения к автору), приведены точные уравнения для каждой модели в таблице 2.1.
источник