【问题标题】:Generating long-term forecasts including prophet and temporal aggregation (thief)生成长期预测,包括先知和时间聚合(小偷)
【发布时间】:2020-12-10 11:18:03
【问题描述】:

我刚开始使用{fable} 和{tidyverts} 系列工具,到目前为止一切顺利。

我目前有兴趣根据每日数据生成长期概率预测(最好或首选每月或每季度的分辨率)。我的理解是,时间聚合可以帮助减少模型的不确定性,并将已知的日常影响(尤其是假期影响)传播到例如季度水平并以此方式提高准确性。

对于我计划使用预测 + 协变量的每日数据,对于更高的聚合(每月到每年)指数平滑似乎是合适的。

虽然我想知道这种方法是否普遍很有前景,但我不太确定如何使用 {thief} 构造预测问题以得出概率预测。

PS:我发现这篇文章对每小时数据很有帮助,但我在为每日数据实施它时遇到了问题(例如,创建有意义的聚合和组合预测):https://stats.stackexchange.com/questions/352121/how-to-forecast-hourly-as-well-as-daily-data-in-r

【问题讨论】:

    标签: r forecasting facebook-prophet fable-r tidyverts


    【解决方案1】:

    要使用{thief} 生成概率预测,您需要将寓言转换为{forecast} 样式forecast 对象。 forecast 对象的基本最小结构(以及如何从寓言分发中生成它,可以通过 {fable.prophet} 为先知获得)是:

    library(forecast)
    library(distributional)
    dist <- dist_normal(1:10)
    
    structure(
      list(
        # A time series of the forecast means
        mean = ts(mean(dist)),
        # A matrix time series of the forecast interval's upper bound
        upper = ts(cbind("80%" = quantile(dist, 0.90), "95%" = quantile(dist, 0.975))),
        # A matrix time series of the forecast interval's lower bound
        lower = ts(cbind("80%" = quantile(dist, 0.10), "95%" = quantile(dist, 0.025))),
        # A vector containing forecast interval levels in order of appearance
        level = c(80, 95)
      ),
      class = "forecast"
    )
    #>    Point Forecast      Lo 80     Hi 80       Lo 95     Hi 95
    #>  1              1 -0.2815516  2.281552 -0.95996398  2.959964
    #>  2              2  0.7184484  3.281552  0.04003602  3.959964
    #>  3              3  1.7184484  4.281552  1.04003602  4.959964
    #>  4              4  2.7184484  5.281552  2.04003602  5.959964
    #>  5              5  3.7184484  6.281552  3.04003602  6.959964
    #>  6              6  4.7184484  7.281552  4.04003602  7.959964
    #>  7              7  5.7184484  8.281552  5.04003602  8.959964
    #>  8              8  6.7184484  9.281552  6.04003602  9.959964
    #>  9              9  7.7184484 10.281552  7.04003602 10.959964
    #> 10             10  8.7184484 11.281552  8.04003602 11.959964
    

    由reprex package (v0.3.0) 于 2020 年 12 月 10 日创建

    然后您可以将这些预测结构与thief::reconcilethief() 一起使用来协调它们。

    也就是说,目前正在为{fable} 开发时间(和跨时间)协调。相关的开发问题在这里:https://github.com/tidyverts/fabletools/issues/59 协调每日或次每日时间到每月和每年的层次结构存在一些复杂性,但尚未实施,但该原型目前适用于 > 每月的底层。最近在 ISF2020 上的演示介绍了与 {fable} 的时间和解:https://www.youtube.com/watch?v=6D7rNHZ5E-Q&t=1120

    值得注意的是,{thief} 的区间只是较高时间频率的区间之和。这些间隔不是最优的,因此与{fable} 给出的最优概率预测分布不同。

    【讨论】:

    • 这很棒,我很高兴尝试一下。出于好奇,每周/每日/次日数据的额外复杂性是什么?我天真的第一个想法是,时间层次结构中的分配会很清楚吗? (或者是关于可能的其他类型的季节性?)
    • 在时间协调中使用的求和矩阵的典型构造确定了较高频率间隔(1 个月、1 个季度等)如何嵌套在最高频率间隔(1 年)中。这对于每月和每季度的聚合很容易,因为所有内容都完全嵌套。周并不完全嵌套年份,因此聚合每年都会变化。每日数据汇总到年度(因此,次每日)的方式也因闰年而异,因此天到年的总和矩阵因年而异。
    • 尊敬的 O'Hara 先生,我曾尝试下载 moment 包,但它似乎不再存在。来自fabletools 的aggregate_index 是否具有相同的应用程序?如果您能告诉我在哪里可以使用fable 了解时间聚合的最新发展,我也将不胜感激。
    • 可以在 GitHub 上找到:github.com/mitchelloharawild/moment
    猜你喜欢
    • 2013-05-18
    • 2016-05-20
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 1970-01-01
    • 2017-12-17
    • 1970-01-01
    • 2012-03-25
    相关资源
    最近更新 更多