Hvordan passer jeg en ARIMAX-modell med R?

Du kommer til å ha litt problemer med å modellere en serie med to sesongnivåer ved hjelp av en ARIMA-modell . Å få dette riktig er veldig avhengig av å sette opp ting riktig. Har du vurdert en enkel lineær modell ennå? De er mye raskere og lettere å passe enn ARIMA-modeller, og hvis du bruker dummyvariabler for de forskjellige sesongnivåene dine, er de ofte ganske nøyaktig.

1. Jeg antar at du har data per time, så sørg for at TS-objektet ditt er satt opp med frekvensen 24.
2. Du kan modellere andre nivåer av sesongmessighet ved hjelp av dummyvariabler. Du vil for eksempel kanskje ha et sett med 0/1 dummies som representerer året i året.
3. Inkluder dummyvariablene i xreg argument, sammen med eventuelle kovariater (som temperaturu re).
4. Tilpass modellen med arima-funksjonen i base R. Denne funksjonen kan håndtere ARMAX-modeller ved bruk av xreg -argumentet.
5. Prøv funksjonene Arima og auto.arima i prognosepakken. auto.arima er hyggelig fordi det automatisk finner gode parametere for din arima-modell. Det vil imidlertid ta FOREVER å passe inn i datasettet ditt.
6. Prøv tslm-funksjonen i arima-pakken, og bruk dummyvariabler for hvert sesongnivå. Dette vil passe mye raskere enn Arima-modellen, og kan til og med fungere bedre i din situasjon.
7. Hvis 4/5/6 ikke fungerer, så begynn å bekymre deg for overføringsfunksjoner. Du må krype før du kan gå.
8. Hvis du planlegger å prognose inn i fremtiden, må du først prognose xreg-variablene dine. Dette er enkelt for sesongmessige dummies, men du må tenke på hvordan du kan lage en gode værmeldinger. Kanskje bruke medianen av historiske data?

Her er et eksempel på hvordan jeg vil nærme meg dette:

#Setup a fake time series set.seed(1) library(lubridate) index <- ISOdatetime(2010,1,1,0,0,0)+1:8759*60*60 month <- month(index) hour <- hour(index) usage <- 1000+10*rnorm(length(index))-25*(month-6)^2-(hour-12)^2 usage <- ts(usage,frequency=24) #Create monthly dummies. Add other xvars to this matrix xreg <- model.matrix(~as.factor(month))[,2:12] colnames(xreg) <- c("Feb","Mar","Apr","May","Jun","Jul","Aug","Sep","Oct","Nov","Dec") #Fit a model library(forecast) model <- Arima(usage, order=c(0,0,0), seasonal=list(order=c(1,0,0), period=24), xreg=xreg) plot(usage) lines(fitted(model),col=2) #Benchmark against other models model2 <- tslm(usage~as.factor(month)+as.factor(hour)) model3 <- tslm(usage~as.factor(month)) model4 <- rep(mean(usage),length(usage)) #Compare the 4 models library(plyr) #for rbind.fill ACC <- rbind.fill( data.frame(t(accuracy(model))), data.frame(t(accuracy(model2))), data.frame(t(accuracy(model3))), data.frame(t(accuracy(model4,usage))) ) ACC <- round(ACC,2) ACC <- cbind(Type=c("Arima","LM1","Monthly Mean","Mean"),ACC) ACC[order(ACC$MAE),] 

Kommentarer

• Hva er utstyrt () -funksjonen. Hvis jeg bruker det, får jeg bedre resultater enn med forutsi (modell10, newxreg = regParams).
• @utdiscant: predict() brukes til prognoser, mens fitted() returnerer modelltilpasningen over den historiske perioden. Hvis du vil ha mer spesifikk hjelp, bør du legge ut et reproduserbart eksempel med litt kode.
• @utdiscant: også, hvis du bruker dayy som en xreg, risikerer du å overmontere, siden du bare har 24 observasjoner per dag. Du kan få bedre prognoseresultater hvis du bruker måned av året.
• @utdiscant: Videre må dine tidsbaserte xregs være dummyvariabler . Slik du har modellert det nå er at du forventer at heat vil øke lineært med timen på dagen, og deretter hoppe ned igjen når timen går tilbake til 1. Hvis du bruker dummyvariabler, vil hver time på dagen vil få det ' sin egen effekt. Gjennom eksempelkoden min, og vær nøye med hvordan jeg konstruerer xreg-objektet mitt.
• En ulempe med ARIMA-funksjonene i pakkene stats og forecast er at de ikke passer til funksjoner for proberoverføring . Dokumentasjonen for stats::arima -funksjonen oppgir følgende: Hvis en xreg-term er inkludert, er en lineær regresjon (med en konstant term hvis include.mean er sant og det er ingen forskjell ) er utstyrt med en ARMA-modell for feiluttrykket. Så hvis du faktisk trenger å passe på overføringsfunksjoner, virker det som om TSA::arimax -funksjonen er veien å gå i R.

Jeg har brukt R til gjør lasteprognosering en stund, og jeg kan foreslå at du bruker forecast -pakken og dens uvurderlige funksjoner (som auto.arima).

Du kan bygge en ARIMA-modell med følgende kommando:

model = arima(y, order, xreg = exogenous_data) 

med y ditt prediktand (I antar at dayy), order rekkefølgen på modellen din (med tanke på sesongmessighet) og exogenous_data din temperatur, solstråling, etc. Funksjonen auto.arima hjelper deg med å finne den optimale modellrekkefølgen. Du kan finne en kort veiledning om `prognose» pakke her .

Kommentarer

• Det som skal forutsies er varme (husets varmeforbruk).

I personlig forstår ikke overføringsfunksjoner, men jeg tror du fikk reversert xtransf og xreg. I det minste i R «s base arima er det xreg som inneholder dine eksogene variabler. Det er mitt inntrykk at en overføringsfunksjon beskriver hvordan (forsinkede data påvirker fremtidige verdier) i stedet for hva .

Jeg prøver å bruke xreg for dine eksogene variabler, kanskje ved å bruke arima hvis arimax krever en overføringsfunksjon. Problemet er at modellen din er daglig, men dataene dine har begge daglig og årlig sesongmessighet, og jeg er ikke sikker akkurat nå om en første forskjell (order=(*, 1, *)) vil ta seg av det eller ikke. (Du vil absolutt ikke få magiske helårsprognoser ut av en modell som bare vurderer daglig sesongmessighet.)

PS Hva er time du bruker i din lm? Bokstavelig klokketid eller et 1-opp observasjonsnummer? Jeg tror du kan få noe ved å bruke en modell med blandet effekt (lmer i lme4 -pakken), selv om jeg ikke har funnet ut om det å gjøre det riktig står for autokorrelasjonen som vil skje i en tidsserie. Hvis ikke lm ikke blir redegjort for det, kan det hende du får en interessant passform, men konseptet ditt med hvor presis spådommen din er, vil være altfor optimistisk.

Kommentarer

• Jeg har både målingens time og " året i året " av målingen.