Подгонка модели к высокочастотным временным рядам и прогнозирование на короткий срок с использованием басни

Question

У меня есть временной ряд значения с довольно высокой частотой (15 минут).Временные ряды не имеют пропущенных значений и показывают некоторые ежедневные и еженедельные периодические компоненты.

Я пытаюсь смоделировать его, используя fable в R, но не могу найти какой-либо приличный результат, и мне интересноесли я делаю что-то не так.

Вот мой код, использующий примерный набор данных, который можно загрузить:

library(tsibble)
library(fable)
library(dplyr)
library(lubridate)

download.file("https://srv-file7.gofile.io/download/9yo0cg/so_data.csv", destfile = "so_data.csv", method = "wget")
csv = read.csv("so_data.csv") %>%
    mutate(time = ymd_hms(time)) %>%
    as_tsibble(index = time)

# Take a look
csv %>% summary
csv %>% autoplot

Это серия времени: Как видите, это довольно регулярно, с хорошей ежедневной периодичностью.Давайте попробуем смоделировать его, используя настройки по умолчанию для нескольких моделей:

csv %>%
    model(
        ets = ETS(value),
        arima = ARIMA(value),
        snaive = SNAIVE(value)
    ) %>%
    forecast(h = "1 week") %>%
    autoplot(csv)

Все они эффектно проваливаются:

Мое ограниченное понимание этого процессаЯсно, что здесь ошибка, и значения по умолчанию не полезны в этой ситуации.Однако я попытался настроить их, к сожалению, я не смог захватить что-то лучше.В любом случае, поскольку я новичок в этой области, я не понимаю, связано ли это с:

• я не устанавливаю правильные параметры по умолчанию (я должен погрузиться намного глубже в fable * справочник )
• имеющиеся у меня ограниченные данные (короткие временные ряды, всего несколько месяцев) * подход 1028 *
• не подходит для быстро меняющихся данных (ежедневные и еженедельные повторяющиеся схемы)
• проблем в моем коде

Answer 1

Ваши 15-минутные данные частоты показывают несколько сезонных паттернов.Модели производят прогнозы низкого качества, так как они не предназначены для захвата этих шаблонов (и поэтому они не являются таковыми).

Ваш код выглядит хорошо, и (визуально) данные, как представляется, имеют четкие шаблоны, которые подходящая модель должназахват.

В настоящее время существуют две более сложные модели, которые работают с баснями, которые должны иметь возможность захватывать несколько сезонных моделей, чтобы дать вам лучшие прогнозы.Это:

• FASSTER (https://github.com/tidyverts/fasster)
• Пророк (https://github.com/facebook/prophet) с интерфейсом басни (https://github.com/mitchelloharawild/fable.prophet/)

)