Statystyki i duże zbiory danych time-series

2

Jak interpretować i wykonywać prognozowanie za pomocą pakietu tsoutliers i auto.arima

Mam dane miesięczne od 1993 do 2015 roku i chciałbym przeprowadzić prognozę tych danych. Użyłem pakietu tsoutliers do wykrycia wartości odstających, ale nie wiem, jak dalej prognozować z moim zestawem danych. To jest mój kod: product.outlier<-tso(product,types=c("AO","LS","TC")) plot(product.outlier) To jest mój wynik z pakietu tsoutliers ARIMA(0,1,0)(0,0,1)[12] Coefficients: sma1 LS46 LS51 LS61 …

9 r time-series forecasting arima outliers

3

R sezonowe szeregi czasowe

Korzystam z decomposefunkcji Ri wymyślam 3 składniki moich miesięcznych szeregów czasowych (trend, sezonowość i losowość). Jeśli wykreślę wykres lub spojrzę na tabelę, wyraźnie widzę, że na szereg czasowy ma wpływ sezonowość. Jednak kiedy regresuję szeregi czasowe do 11 zmiennych sezonowych, wszystkie współczynniki nie są istotne statystycznie, co sugeruje brak sezonowości. …

9 r regression time-series

1

Co PCA robi z danymi autokorelowanymi?

Właśnie dlatego, że jakiś korespondent postawił interesujące pytanie dotyczące metod obliczania autokorelacji, zacząłem się nim bawić, prawie bez wiedzy o szeregach czasowych i autokorelacji. Korespondent uporządkował swoje dane (323232 punkty danych szeregu czasowego) przesunięte dodatkowo o jedno opóźnienie czasowe tak, że miał macierz 32×3232×3232\times32 dane (tak jak go zrozumiałem), gdzie …

9 time-series pca

3

Funkcja przenoszenia w modelach prognostycznych - interpretacja

Zajmuję się modelowaniem ARIMA wzbogaconym o zmienne egzogeniczne do celów modelowania promocyjnego i trudno mi to wytłumaczyć użytkownikom biznesowym. W niektórych przypadkach pakiety oprogramowania kończą się prostą funkcją przesyłania, tj. Parametrem * Zmienna egzogeniczna. W tym przypadku interpretacja jest łatwa, tzn. Działanie promocyjne X (reprezentowane przez egzogenną zmienną binarną) wpływa …

9 time-series data-visualization forecasting arima causality

3

Testuj, aby odróżnić dane okresowe od prawie okresowych

Załóżmy, że mam jakąś nieznaną funkcję z domeną ℝ , o której wiem, że spełnia pewne rozsądne warunki, takie jak ciągłość. Znam dokładne wartości f (ponieważ dane pochodzą z symulacji) w niektórych jednakowo odległych punktach próbkowania t_i = t_0 + iΔt z i∈ \ {1,…, n \} , które mogę …

9 time-series hypothesis-testing exact-test

4

Obliczanie dokładności prognozy

Używamy STL (implementacja R) do prognozowania danych szeregów czasowych. Codziennie przeprowadzamy codzienne prognozy. Chcielibyśmy porównać wartości prognozowane z wartościami rzeczywistymi i zidentyfikować średnie odchylenie. Na przykład uruchomiliśmy prognozę na jutro i otrzymaliśmy punkty prognozy, chcielibyśmy porównać te punkty prognozy z rzeczywistymi danymi, które otrzymamy jutro. Zdaję sobie sprawę, że wartości …

9 time-series forecasting accuracy

1

Rozkład addytywny a multiplikatywny

Moje pytanie jest bardzo proste, ale to są te, które naprawdę mnie dopadają :) Naprawdę nie wiem, jak ocenić, czy konkretny szereg czasowy ma zostać rozłożony za pomocą addytywnej czy multiplikatywnej metody rozkładu. Wiem, że istnieją wizualne wskazówki, które odróżniają je od siebie, ale ich nie rozumiem. Weźmy na przykład …

9 time-series mathematical-statistics variance-decomposition

2

R wykrywa wzrost / spadek trendu szeregów czasowych

Mam wiele szeregów czasowych z okresami: dzień, tydzień lub miesiąc. Z stl()funkcją lub z loess(x ~ y)widzę, jak wyglądają trendy poszczególnych szeregów czasowych. Muszę wykryć, czy trend szeregów czasowych rośnie, czy maleje. Jak sobie z tym poradzić? Próbowałem obliczyć współczynniki regresji liniowej lm(x ~ y)i grać ze współczynnikiem nachylenia. ( …

9 r time-series trend

1

Dopasowanie zmiennego w czasie współczynnika DLM

Chcę dopasować DLM ze zmiennymi w czasie współczynnikami, tj. Rozszerzeniem zwykłej regresji liniowej, yt=θ1+θ2)x2)yt=θ1+θ2)x2)y_t = \theta_1 + \theta_2x_2. Mam predyktor (x2)x2)x_2) i zmienną odpowiedzi (ytyty_t), coroczne połowy ryb morskich i śródlądowych odpowiednio w latach 1950–2011. Chcę, aby postępował model regresji DLM, yt=θt , 1+θt , 2xtyt=θt,1+θt,2)xty_t = \theta_{t,1} + \theta_{t,2}x_t …

9 r regression time-series dlm dynamic-regression

2

Łączenie informacji o szeregach czasowych ze źródeł o wielu rozdzielczościach / skalach przestrzennych

Mam wiele satelitarnych obrazów rastrowych dostępnych z różnych czujników. Z nich grubsze mają bardzo dużą rozdzielczość czasową. Rastry o średniej rozdzielczości mają zwykle mniej dat akwizycji, ale nadal dostępny jest pewien stopień informacji. Te o lepszej rozdzielczości mają bardzo niską rozdzielczość czasową, obejmującą od 2 do 6 dat zaobserwowanych w …

9 time-series machine-learning predictive-models multivariate-regression

1

Ukryty model Markowa do przewidywania zdarzeń

Pytanie : Czy konfiguracja poniżej jest sensowną implementacją modelu Hidden Markov? Mam zestaw danych 108,000obserwacji (wykonanych w ciągu 100 dni) i przybliżonych 2000zdarzeń z całego okresu obserwacji. Dane wyglądają jak na poniższym rysunku, gdzie obserwowana zmienna może przyjąć 3 wartości dyskretne[ 1 , 2 , 3 ][1,2,3][1,2,3] a czerwone kolumny …

9 time-series machine-learning predictive-models markov-chain hidden-markov-model

1

Ocena wydajności prognozowania szeregów czasowych

Mam Dynamiczny Naiwny model Bayesa wyszkolony w zakresie kilku zmiennych czasowych. Dane wyjściowe modelu są prognozami P(Event) @ t+1szacowanymi dla każdego t. Fabuła P(Event)versus timejest taka, jak podano na poniższym rysunku. Na tym rysunku czarna linia przedstawia P(Event)zgodnie z przewidywaniami mojego modelu; pozioma linia czerwona oznacza uprzedniej prawdopodobieństwo zdarzenia zdarzeń; …

9 time-series probability prediction model-comparison model-evaluation

2

Prognoza ARIMA z sezonowością i trendem, dziwny wynik

gdy wkraczam w prognozowanie z modelami ARIMA, staram się zrozumieć, jak mogę poprawić prognozę opartą na dopasowaniu ARIMA do sezonowości i dryfu. Moje dane to następujące szeregi czasowe (ponad 3 lata, z wyraźnym trendem wzrostowym i widoczną sezonowością, która wydaje się nie być wspierana przez autokorelację w opóźnieniach 12, 24, …

9 r time-series forecasting arima seasonality

1

Dynamiczne dopasowanie czasu i normalizacja

Korzystam z dynamicznego dopasowywania czasu, aby dopasować „zapytanie” i krzywą „szablonu” i jak dotąd mam rozsądny sukces, ale mam kilka podstawowych pytań: Oceniam „dopasowanie”, oceniając, czy wynik DTW jest mniejszy niż pewna wartość progowa, którą wymyślam heurystycznie. Czy to jest ogólne podejście do określania „dopasowania” za pomocą DTW? Jeśli nie, …

9 time-series normalization functional-data-analysis

3

Koncepcyjne rozróżnienie między heteroscedastycznością a niestacjonarnością

Mam problem z rozróżnieniem pojęć skrzeczności i stacjonarności. Jak rozumiem, heteroscedastyczność różni się zmiennością w subpopulacjach, a niestacjonarność jest zmieniającą się średnią / wariancją w czasie. Jeśli jest to prawidłowe (choć uproszczone) zrozumienie, czy niestacjonarność jest po prostu konkretnym przypadkiem heteroscedastyczności w czasie?

9 time-series heteroscedasticity stationarity intuition

Pytania otagowane jako time-series