আর পূর্বাভাস প্যাকেজ থেকে টিবিএটিএস ব্যবহার করে সময় সিরিজের পচনকে ব্যাখ্যা করা

Question

আমি নিম্নলিখিত সময়ের সিরিজের ডেটাগুলিকে seasonতু, প্রবণতা এবং অবশিষ্টাংশের সংমিশ্রণগুলিতে দ্রবীভূত করতে চাই। ডেটাটি একটি বাণিজ্যিক বিল্ডিং থেকে প্রতি ঘন্টা কুলিং এনার্জি প্রোফাইল:

TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81)
plot(TotalCoolingForDecompose.ts)

সুস্পষ্ট দৈনিক এবং সাপ্তাহিক মরসুমের প্রভাবগুলি তাই এর পরামর্শের ভিত্তিতে রয়েছে: একাধিক মৌসুমী উপাদানগুলির সাথে সময় সিরিজটি কীভাবে পচে যায়? , আমি প্যাকেজ tbatsথেকে ফাংশনটি ব্যবহার করেছি forecast:

TotalCooling.tbats <- tbats(TotalCoolingForDecompose.ts, seasonal.periods=c(24,168), use.trend=TRUE, use.parallel=TRUE)
plot(TotalCooling.tbats)

যার ফলাফল:

এই মডেলটির উপাদান levelএবং slopeউপাদানগুলি কী বর্ণনা করে? এই প্যাকেজটি দ্বারা উল্লিখিত কাগজের মতো trendএবং remainderউপাদানগুলি কীভাবে পেতে পারি ( ডি লাইভরা, হ্যান্ডম্যান এবং স্নাইডার (জাসা, ২০১১) )?

Comments

এর আগেও আমি একই সমস্যার মুখোমুখি হয়েছি। এবং আমি মনে করি যে এখানে ট্রেন্ডের অর্থ l + b হতে পারে। (কাগজে, মডেল আছে) বা আপনি দেখতে পারেন robjhyndman.com/hyndsight/forecasting-weekly-data

— user49782

আমি একই সমস্যা আছে। আমি ভুল হতে পারি তবে আপনি অবশিষ্টাংশগুলি ব্যবহার করতে পারেন এমন অবশিষ্টাংশগুলি সন্ধান করতে (টোটালকুলিং.টব্যাটস) বক্ররেখাও প্লট দ্বারা নিশ্চিত করা হয়েছে (পূর্বাভাস (টোটালকুলিং.টব্যাটস, এইচ = 1) id অবশিষ্টগুলি) প্রবণতাটি "opeাল"।

— মার্কোডেনা

Answer 1

এই পৃষ্ঠায় ব্যবহারকারীর মন্তব্যে , কেউ স্তর এবং opeালের ব্যাখ্যা এবং decompose()ফাংশনটি সরবরাহ করে এমন ট্রেন্ড এবং অবশিষ্টাংশগুলি কীভাবে পাবেন সে সম্পর্কেও জিজ্ঞাসা করে। হিন্ডম্যান মন্তব্য করেছেন যে আলাদা মডেল হিসাবে কোনও সরল অনুবাদ নেই decompose()এবং এটি tbats()ব্যবহার করে। তবে যদি আপনার টিবিএটিএস মডেলের বাক্স-কক্স রূপান্তর না হয় তবে টিবিএটিএস স্তরটি মোটামুটি decompose()ট্রেন্ডের মতো। অন্যদিকে যদি মডেলটি বক্স-কক্স রূপান্তরটি প্রয়োগ করে, তবে আপনাকে স্তরটি (মোটামুটিভাবে) প্রবণতা হিসাবে ব্যাখ্যা করার আগে রূপান্তরটি পূর্বাবস্থায় ফেরাতে হবে। অন্তত আমি তার প্রতিক্রিয়াটি ব্যাখ্যা করি।

অবশিষ্টাংশ এবং opeাল হিসাবে, তারা এক নয়।

আপনি ভাবতে পারেন যে কোনও মৌলিক পচনটির প্রবণতা উপাদান, একটি মৌসুমী উপাদান এবং একটি অবশিষ্ট উপাদান রয়েছে।

আপনি প্রবণতাটি আরও একটি স্তর এবং opeালুতে আরও ভাঙ্গতে পারেন। স্তরটি মূলত ট্রেন্ডের জন্য একটি বেসলাইন এবং slাল হ'ল প্রতি ইউনিট সময় পরিবর্তন।

প্রবণতাটিকে স্তর এবং slালুভূমিতে ভাঙার কারণটি হ'ল কিছু মডেল স্যাঁতসেঁতে বৃদ্ধি সমর্থন করে। হতে পারে আপনি বর্তমান বৃদ্ধি পর্যবেক্ষণ করেছেন, তবে আপনি সময়ের সাথে ধীরে ধীরে বৃদ্ধি কমে যাওয়ার প্রত্যাশা করছেন এবং আপনি চান যে আপনার পূর্বাভাসটি সেই প্রত্যাশাটি প্রতিবিম্বিত করবে। মডেলটি আপনাকে supportsালুতে স্যাঁতসেঁতে ফ্যাক্টর প্রয়োগ করে বৃদ্ধিকে স্যাঁতসেঁতে দেয়, এটি শূন্যের দিকে অভিমুখে পরিণত করে যার অর্থ ট্রেন্ডটি তার স্তরের উপাদানটির দিকে রূপান্তরিত করে।

স্তর এবং opeালু প্রবণতাটি কীভাবে একত্রিত করে এই প্রশ্নের একটি সরল উত্তর নেই। এটি আপনি যে মডেলটি ব্যবহার করছেন তার উপর নির্ভর করে। একটি সাধারণ বিবৃতি হিসাবে, যোগমূলক প্রবণতা মডেলগুলি একটি সংযোজন ফ্যাশনে তাদের একত্রিত করে এবং গুণগত প্রবণতা মডেলগুলি একটি গুণিতক পদ্ধতিতে তাদের একত্রিত করে। মডেলের স্যাঁতসেঁতে রূপগুলি একটি স্যাঁতসেঁতে opeালের সাথে স্তরটি একত্রিত করে। এক্সপেনশনাল স্মুথিং বইয়ের সাথে হিন্ডম্যানের পূর্বাভাস (আশা করি এটি অ্যামাজনের লিঙ্কটি অন্তর্ভুক্ত করা ঠিক আছে author লেখকের সাথে আমার কোনও সম্পর্ক নেই) সারণী ২.১-এ প্রতি মডেল ভিত্তিতে সঠিক সমীকরণ সরবরাহ করে।