תהיה לך קצת בעיה לדגמן סדרה עם 2 רמות עונתיות באמצעות מודל ARIMA. השגת נכון זה תלויה מאוד בהגדרת הדברים בצורה נכונה. שקלת כבר מודל לינארי פשוט? הם הרבה יותר מהירים וקלים יותר להתאמה מאשר דגמי ARIMA, ואם אתה משתמש במשתני דמה עבור רמות העונתיות השונות שלך, הם לרוב די מדויקים.

1. אני מניח שיש לך נתונים לפי שעה, לכן וודאו כי אובייקט ה- TS שלכם מוגדר בתדירות 24.
2. תוכלו לדגם רמות עונתיות אחרות באמצעות משתני דמה. לדוגמה, ייתכן שתרצה קבוצה של 0/1 בובות המייצגות את חודש השנה.
3. כלול את משתני הדמה בארגומנט xreg , יחד עם כל משתנים משתנים (כמו טמפרטורה)
4. התאימו את המודל לפונקציית ארימה בבסיס R. פונקציה זו יכולה להתמודד עם דגמי ARMAX באמצעות הארגומנט xreg .
5. נסה את פונקציות ארימה ו- auto.arima בחבילת התחזית. auto.arima נחמד מכיוון שהוא ימצא באופן אוטומטי פרמטרים טובים לדגם ה- arima שלך. עם זאת, ייקח לנצח להתאים למערך הנתונים שלך.
6. נסה את הפונקציה tslm בחבילה ארימה, תוך שימוש במשתני דמה לכל רמה של עונתיות. זה יתאים הרבה יותר מהר מדגם ארימה, ואולי אפילו יעבוד טוב יותר במצבך.
7. אם 4/5/6 לא עובדים, אז תתחיל לדאוג לפונקציות העברה. עליך לזחול לפני שתוכל ללכת.
8. אם אתה מתכנן לחזות לעתיד, תחילה תצטרך לחזות את משתני ה- xreg שלך. זה קל עבור בובות עונתיות, אבל תצטרך לחשוב איך לעשות תחזיות מזג אוויר טובות. אולי השתמש בחציון הנתונים ההיסטוריים?

הנה דוגמה לאופן בו הייתי מתקרב לכך:

  # הגדרת זמן מזויף seriesset.seed (1 ) אינדקס ספרייה (lubridate) <- ISOdatetime (2010,1,1,0,0,0) +1: 8759 * 60 * 60month <- חודש (אינדקס) שעה <- שעה (אינדקס)
שימוש <- 1000 + 10 * rnorm (אורך (אינדקס)) - 25 * (חודש -6) ^ 2- (שעה -12) ^ 2 שימוש <- ts (שימוש, תדירות = 24) # צור דומיות חודשיות. הוסף xvars אחרים למטריצה ​​xreg <- model.matrix (~ as.factor (month)) [, 2:12] colnames (xreg) <- c ('Feb', 'Mar', 'Apr', 'May', 'יוני', 'יול', 'אוג' ',' ספט ',' אוקטובר ',' נובמבר ',' דצמבר ') # התאם מודל ספרייה (תחזית) מודל <- ארימה (שימוש, סדר = c (0,0, 0), עונתי = רשימה (סדר = c (1,0,0), נקודה = 24), xreg = xreg) שורות מגרש (שימוש) (מצויד (דגם), col = 2) # סימן שווי מול דגמים אחרים model2 <- tslm (שימוש ~ כ.factor (חודש) + as.factor (שעה)) מודל 3 <- tslm (שימוש ~ as.factor (חודש)) דגם 4 <- rep (ממוצע (שימוש), אורך (שימוש)) # השווה את 4 modelslibrary (plyr) #for rbind.fillACC <- rbind.fill (data.frame (t (accuracy (model))), data.frame (t (accuracy (model2))), data.frame (t (accuracy (model3) ))), data.frame (t (דיוק (דגם 4, שימוש)))) ACC <- עגול (ACC, 2) ACC <- cbind (Type = c ('Arima', 'LM1', 'Monthly mean') 'מתכוון'), ACC) ACC [סדר (ACC $ MAE),]  

אני משתמש ב- R בכדי לבצע חיזוי עומס במשך זמן מה ואני יכול להציע לך להשתמש בחבילה תחזית ובפונקציות החשובות מפז שלה (כמו auto.arima ).

באפשרותך לבנות מודל ARIMA עם הפקודה הבאה:

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

עם y התחזית שלך (אני מניח dayy ), order סדר המודל שלך (בהתחשב בעונתיות) ו- exogenous_data ​​code > הטמפרטורה שלך, קרינת השמש וכו '. הפונקציה auto.arima עוזרת לך למצוא את סדר המודל האופטימלי. תוכלו למצוא הדרכה קצרה על חבילת 'תחזית' כאן.

אני באופן אישי לא מבין בפונקציות העברה, אבל אני חושב שהופכת את xtransf ו- xreg . לפחות ב- ארימה של R זה xreg שמכיל את המשתנים האקסוגניים שלך. התרשמתי כי פונקציית העברה מתארת ​​ כיצד (נתונים בפיגור משפיעים על ערכים עתידיים) ולא על מה .

הייתי מנסה להשתמש ב xreg עבור המשתנים האקסוגניים שלך, אולי באמצעות ארימה אם arimax דורש פונקציית העברה. הבעיה היא שהמודל שלך הוא יומי, אך לנתונים שלך יש עונתיות יומית וגם שנתית, ואני לא בטוח כרגע אם ההבדל הראשון ( order = (*, 1, *) ) ידאג לזה או לא. (בוודאי לא תקבל תחזיות קסומות לכל השנה ממודל שרק מתחשב בעונתיות יומית.)

P.S. מהו הזמן שבו אתה משתמש ב- lm שלך? זמן שעון מילולי או מספר תצפית 1-up? אני חושב שתוכל להשיג משהו על ידי שימוש במודל אפקט מעורב ( lmer בחבילה lme4 ), אם כי לא הבנתי אם פעולה נכונה מחשבת את המתאם האוטומטי שיתרחש בסדרת זמנים. אם לא מביאים בחשבון, ש- lm לא, אתה עשוי לקבל התאמה מעניינת, אך הרעיון שלך עד כמה החיזוי שלך מדויק יהיה אופטימי מדי.