R 예측 패키지의 TBATS를 사용하여 시계열 분해 해석

다음 시계열 데이터를 계절, 추세 및 잔존 성분으로 분해하고 싶습니다. 데이터는 상업용 건물의 시간별 냉각 에너지 프로파일입니다.

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

냉각 에너지 시계열

따라서 다음과 같은 조언을 바탕으로 일일 및 주간 계절 효과가 분명합니다. 여러 계절 성분으로 시계열을 분해하는 방법은 무엇입니까? 패키지 의 tbats기능을 사용했습니다 forecast.

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

결과 :

여기에 이미지 설명을 입력하십시오

이 모델의 구성 요소 level와 slope구성 요소는 무엇을 설명합니까? 이 패키지 ( De Livera, Hyndman 및 Snyder (JASA, 2011) )에서 참조하는 용지와 유사한 구성 요소 trend및 remainder구성 요소를 얻으려면 어떻게 해야합니까?

— 크 러커 8
소스

전에도 같은 문제가 발생했습니다. 그리고 저는 여기서 추세가 l + b를 의미한다고 생각합니다. (종이에는 모델이 있습니다.) 또는 robjhyndman.com/hyndsight/forecasting-weekly-data

— user49782

나도 같은 문제가있어. 틀릴 수도 있지만 잔차를 찾으려면 resid (TotalCooling.tbats)를 사용할 수 있습니다. 곡선은 또한 plot (forecast (TotalCooling.tbats, h = 1) $ residuals)로 확인됩니다. 추세는 "기울기"입니다.

— marcodena

이 페이지 의 사용자 의견에서 누군가가 레벨과 기울기의 해석과 decompose()함수가 제공 하는 트렌드와 잔차를 얻는 방법에 대해 묻습니다 . Hyndman은 다른 모델 decompose()과 같이 직역 변환이 없으며 tbats()다른 모델을 사용 한다고 말합니다 . 그러나 TBATS 모델에 Box-Cox 변환이없는 경우 TBATS 수준은 decompose()추세 와 거의 같습니다 . 반면에 모델이 Box-Cox 변환을 적용하는 경우 레벨을 (거의) 추세로 해석하기 전에 변환을 취소해야합니다. 적어도 내가 그의 반응을 해석하는 방법입니다.

잔차와 기울기는 같지 않습니다.

기본 분해에 추세 성분, 계절 성분 및 잔차 성분이 있다고 생각할 수 있습니다.

추세를 레벨과 기울기로 세분화 할 수 있습니다. 수준은 기본적으로 추세의 기준이며 기울기는 단위 시간당 변화입니다.

추세를 수준과 기울기로 세분화하는 이유는 일부 모델이 둔화 된 성장을 지원하기 때문입니다. 현재 성장률을 관찰 할 수 있지만 시간이 지남에 따라 성장률이 점차 감소 할 것으로 예상하고 예측에 해당 기대치를 반영하려고합니다. 이 모델은 경사에 감쇠 계수를 적용하여 성장을 감쇠시켜 0으로 수렴하게함으로써 추세가 레벨 구성 요소로 수렴됨을 통해이를 지원합니다.

레벨과 기울기가 결합하여 추세를 산출하는 방법에 대한 질문에 대한 직접적인 대답은 없습니다. 사용중인 모델 유형에 따라 다릅니다. 일반적으로 덧셈 트렌드 모델은 덧셈 방식으로 모델을 결합하고 곱하기 트렌드 모델은 곱셈 방식으로 모델을 결합합니다. 감쇠 변형 모델은 레벨을 감쇠 경사와 결합합니다. 지수 평활화를 사용한 Hyndman의 예측 책 (Amazon 링크를 포함해도 괜찮습니다. 필자는 저자와 관계가 없습니다)은 표 2.1에서 모델별로 정확한 방정식을 제공합니다.