Datasets:
Vikhrmodels
/
programming_books_rus

Dataset card Data Studio Files
xet
 Community
1
text
stringlengths
0
1.95k
Метод средних
Наивный метод с дрейфом
Сезонный наивный метод
Полная аддитивная модель
Мультипликативная модель
Аддитивная модель без
тренда
Модель без тренда и
сезонности
Модель ARIMA
6.13
6.0
5.83
8.41
7.49
7.725
81.05
87.06
75.56
0.873
0.85
0.83
1.274
0.925
1.076
load(file="time_ser.RData")
К разделу 7.3:
266
# Модель периодического тренда
index <- 1:length(OUT$Расход) ; time=(index)/12
mod.trend <-lm(OUT$Расход~index + sin(time*2*pi)+cos(time*2*pi))
summary(mod.trend) ; AIC(mod.trend)
model<-lm(OUT$Расход~sin(time*2*pi)+cos(time*2*pi))
summary(model); AIC(model) ; anova(mod.trend,model)
plot(time, OUT$Расход, type="l") ; lines(time, predict(model), col="red", lwd=2)
# Простой поблочный бутстреп: на входе - временной ряд и длина блока
rblockboot <- function(ts,block.length,len.out=length(ts)) {
blocks.needed <- (len.out%/%block.length) ; n <- block.length*blocks.needed
x <- ts[1:block.length]
for (l in 2:blocks.needed) { x <- cbind(x, ts[((l-1)*block.length+1):(l*block.length)]) }
picked.blocks <- sample(1:blocks.needed,replace=TRUE) ; x.boot <- x[,picked.blocks]
x.vec <- as.vector(x.boot) ; return(x.vec) }
library(car) ; N_Boot = 1000 ; A.boot <- B.boot <- rep(0,N_Boot)
for (i in 1:N_Boot) { boot <- rblockboot(OUT$Расход,12)
model.boot<-lm(boot~sin(time*2*pi)+cos(time*2*pi))
A.boot[i] <- model.boot$coefficients[2]; B.boot[i] <- model.boot$coefficients[3]}
data.ellipse(A.boot, B.boot, xlab="sin(w)", ylab="cos(w)",
cex=.3, levels=c(.5, .95, .99), robust=T)
# Три прогноза простейшими алгоритмами
WIND.m1 <- meanf(WIND.tr, h=30) ; plot(WIND.m1, plot.conf=TRUE)
WIND.m2 <- rwf(WIND.tr, h=30, drift=TRUE) ; lines(WIND.m2$mean,col=2)
WIND.m3 <- snaive(WIND.tr, h=30) ; lines(WIND.m3$mean,col=3)
legend("topleft",lty=1,col=c(1,2,3), legend=c("Среднее","Наивный дрейф","Сезонный"))
accuracy(WIND.m1, WIND.ex) # Оценка ошибки прогноза
accuracy(WIND.m2, WIND.ex) ; accuracy(WIND.m3, WIND.ex)
# Модели Хольта-Винтерса : a) без тренда и сезонности
WIND.HW <- HoltWinters(WIND.tr, beta=FALSE, gamma=FALSE)
WIND.forecast <- forecast.HoltWinters(WIND.HW, h=30) ; plot(WIND.forecast)
accuracy(WIND.forecast, WIND.ex)
WIND.HW <- HoltWinters(WIND.tr) # б) полная аддитивная
WIND.forecast <- forecast.HoltWinters(WIND.HW, h=30) ; plot(WIND.forecast)
accuracy(WIND.forecast, WIND.ex)
WIND.HW <- HoltWinters(WIND.tr, seasonal = "multiplicative") # в) мультипликативная
WIND.forecast <- forecast.HoltWinters(WIND.HW, h=30) ; plot(WIND.forecast)
accuracy(WIND.forecast, WIND.ex)
ets(y = WIND.tr, damped = FALSE) # Подбор лучших моделей
WIND.HW <- HoltWinters(WIND.tr, beta=FALSE) # б) аддитивная без тренда
WIND.forecast <- forecast.HoltWinters(WIND.HW, h=30) ; plot(WIND.forecast)
accuracy(WIND.forecast, WIND.ex)
# Модель ARIMA
WIND.arima <- auto.arima(WIND.tr) ; WIND.forecast <- forecast(WIND.arima, h=30)
plot(WIND.forecast) ; summary(WIND.forecast); accuracy(WIND.forecast, WIND.ex)
7.4. Анализ главных компонент и многомерные временные ряды
Одним из эффективных способов анализа временных рядов для выявления
внутренне присущих им закономерностей является его разложение на естественные