TBATS 모델 결과 및 모델 진단을 해석하는 방법

나는 매시간 30 분의 수요 데이터를 얻었습니다. 이는 다중 계절 시계입니다. R의 패키지에서 사용 tbats했으며 forecast다음과 같은 결과를 얻었습니다.

TBATS(1, {5,4}, 0.838, {<48,6>, <336,6>, <17520,5>}) 

시리즈가 Box-Cox 변환을 반드시 사용해야하는 것은 아니며 오류 항은 ARMA (5, 4)이며 계절성을 설명하기 위해 6, 6 및 5 항이 사용됩니까? 감쇠 매개 변수 0.8383은 무엇을 의미합니까? 변형에도 적용됩니까?

다음은 모델의 분해 플롯입니다.

나는 모델에 대해 무엇을 level하고 궁금해 slope하고 있습니다. '기울기'는 추세를 나타내지 만 어떻 level습니까? session 1및 session 2일별 및 주별 계절별 명확한 플롯을 얻는 방법 .

또한 tbatsRMSE 값을 제외하고 모델을 평가하기 위해 모델 진단을 수행하는 방법을 알아야합니다 . 일반적인 방법은 오류가 백색 잡음인지 확인하는 것이지만 여기서 오류는 ARMA 계열로 가정됩니다. 오류의 'acf'와 'pacf'를 플로팅하고 ARMA (5,4)처럼 보이지는 않습니다. 내 모델이 좋지 않다는 것을 의미합니까?

acf(resid(model1),lag.max = 1000)
pacf(resid(model1),lag.max=1000)

마지막 질문 RMSE은 적합치와 참값을 사용하여 계산됩니다. fc1.week$mean모형을 평가하기 위해 예측값 과 실제 값을 사용하면 어떻게 RMSE됩니까? 아니면 다른 이름이 있습니까?

fc1.week <-forecast(model1,h=48*7)
fc1.week.demand<-fc1.week$mean

의 도움말 페이지 ?tbats에서 다음을 찾을 수 있습니다.

장착 된 모델은 TBATS (omega, p, q, phi,, ...)로 지정되며, 여기서 omega는 Box-Cox 매개 변수이고 phi는 감쇠 매개 변수입니다. 오류는 ARMA (p, q) 프로세스로 모델링되며 m1, ..., mJ는 모델에 사용 된 계절 기간을 나열하고 k1, ..., kJ는 각 계절에 사용되는 해당 푸리에 항 수입니다.

그래서:

• omega = 1, 실제로 Box-Cox 변환 이 없음을 의미합니다 .
• $\phi=0$$\phi=1$use.damped.trendtbats()
• 길이 48 = 24 * 2 (일일), 길이 336 = 7 * 24 * 2 (주별) 및 길이 17520 = 365 * 24 * 2 (연간)의 세 가지 계절주기가 있습니다. tbats6 개의 푸리에 항을 사용하여 첫 번째를 맞추고, 두 번째는 다시 6을, 마지막을 5로 맞 춥니 다.

De Livera, Hyndman & Snyder (2011, JASA ) 의 원본 TBATS 논문 은 물론 유용합니다.

다음:

• "수준"은 시계열의 로컬 수준입니다.
• "트렌드"는 로컬 트렌드입니다.

이는 lowess (STL)를 사용 하는보다 일반적인 계절 추세 분해와 유사합니다 . stl()명령을 살펴보십시오 .

season1 및 season2에 대한 명확한 플롯을 얻으려면 TBATS 모델의 개별 구성 요소의 숫자 값을 살펴볼 수 있습니다. 봐 str(tbats.components(model1))와 summary(tbats.components(model1)). tbats.components()여러 시계열 ( mts) 개체를 제공합니다. 기본적으로 행렬입니다. 열 중 하나는 각 계절별 구성 요소를 제공합니다.

residuals()R의 모든 곳에서 작동하는 것처럼 작동해야합니다. 즉, 최종 잔차를 반환해야합니다 . ARMA (5,4)를 적용한 후의 잔차이므로 실제로 백색 잡음이어야합니다 . ACF의 정점은 규칙적인 것으로 보입니다. 계절성이 남아있는 것 같습니다. 주기성을 추론 할 수 있습니까? (지연이 가장 긴 계절주기의 배수로 계산되는 것은 실제로 도움이되지 않습니다.)

마지막으로, 공통점 예측 정확도 측정 인 근 평균 제곱 오차의 약어는 샘플에서 RMSE와 동일한 약어를 갖습니다.