大时间序列的预测无法识别每日模式。有什么解决办法？

Question

我有一个很大的时间序列来计算一个国家在 10 年时间段（2006 年 - 2015 年）内每小时的电力需求。基于此，我想按小时预测 2020 年之前的未来值。

我根据一些研究尝试了几个功能，最终得到了stl 模型。我收到的结果如下所示： enter image description here

如您所见，电力需求的时间序列显示出每日模式，分别在早上和晚上出现局部高峰。但是，预测的配置文件（此处为蓝色）没有显示此特征，我似乎在努力寻找如何适当地找到模型/或拟合时间序列来解释此特征。

在下文中，我为您提供了我的代码，以便您更好地了解我的实际操作。

## Import Dummy Data
inputfile <- "C:/xxx/ForecastingTool/01_Testing/ConsumptionDataPT2006_2015/ConsumptionData.csv"
mygenerationdata <- read.csv(inputfile)

mygenerationdata$ConsumptionProfile <- ts(mygenerationdata$ConsumptionProfile, start = c(2006,1), frequency = 8764)

## Estimating model
fit.myprofile <- stl(mygenerationdata$ConsumptionProfile, s.window = "periodic", robust = "TRUE")
summary(fit.myprofile)

# Forecasting
## Alternative 1 stl + forecast
fit.forecast <- forecast(fit.myprofile, method="naive", h = 500)
plot(forecast(fit.myprofile, method="naive", h = 500), include = 500)

简而言之，我可以做些什么来适当地拟合模型以解释电力配置文件的日常模式？

Answer 1

根据您的建议，我找到了一个函数 msts，它可以让我解释我的时间序列中的不同季节性。我修改了之前代码的以下行：

mygenerationdata$ConsumptionProfile <- 
  ts(mygenerationdata$ConsumptionProfile, start = c(2006,1), frequency = 8764); 

使用：

mygenerationdata$ConsumptionProfile <-
  msts(mygenerationdata$ConsumptionProfile,
       start = c(2006,1),
       seasonal.periods = c(24, 168, 730.5, 8764.8),
       ts.frequency = 8764.8)

并得到了正确的结果：

Answer 2

您的数据有多个季节性：肯定有每日趋势，但也可能有每周和每年的趋势。目前，您的 ts 对象的频率为 8764，这意味着您仅捕获年度趋势。为了考虑每日季节性，您可以将频率设置为 24（忽略每周和每年的趋势以支持每日趋势），或者您可以拟合具有多个季节性的模型。第二种选择可能会带来更好的结果。为了进一步阅读，我建议 Rob Hyndman 的《预测》一书，特别是 chapter 11，它提出了几种处理复杂季节性的方法。我还建议您查看 prophet 包。