Σε αυτό το τελευταίο κεφάλαιο, εξετάζουμε πολλά πρακτικά ζητήματα που προκύπτουν κατά την πρόβλεψη και συζητάμε μερικές πιθανές λύσεις.
13.1 Εβδομαδιαία, ημερήσια και υπο-ημερήσια δεδομένα
Τα εβδομαδιαία, ημερήσια και υπο-ημερήσια δεδομένα αποτελούν πρόκληση ως προς την πρόβλεψη, για διαφορετικούς λόγους ωστόσο.
Εβδομαδία Δεδομένα
Είναι δύσκολο να εργαστεί κάποιος σε εβδομαδιαία δεδομένα επειδή η εποχιακή περίοδος (ο αριθμός των εβδομάδων σε ένα έτος) είναι και μεγάλη και μη ακέραια. Ο μέσος αριθμός εβδομάδων σε ένα έτος είναι 52.18. Οι περισσότερες από τις μεθόδους που λάβαμε υπόψη απαιτούν η εποχιακή περίοδος να είναι ακέραιος αριθμός. Ακόμα κι αν την προσεγγίσουμε με το 52, οι περισσότερες από τις μεθόδους δεν θα διαχειριστούν αποτελεσματικά μια τόσο μεγάλη εποχιακή περίοδο.
Η απλούστερη προσέγγιση είναι να χρησιμοποιήσετε μια ανάλυση STL μαζί με μια μη εποχιακή μέθοδο που εφαρμόζεται στα εποχικά προσαρμοζόμενα δεδομένα (όπως συζητήθηκε στο Κεφάλαιο 3). Ακολουθεί ένα παράδειγμα με τη χρήση εβδομαδιαίων δεδομένων σχετικά με τελικά προϊόντα βενζίνοκινητήρων που παρέχονται στις ΗΠΑ (σε εκατομμύρια βαρέλια την ημέρα) από τον Φεβρουάριο του 1991 έως τον Μάιο του 2005.
my_dcmp_spec <-decomposition_model(STL(Barrels),ETS(season_adjust ~season("N")))us_gasoline |>model(stl_ets = my_dcmp_spec) |>forecast(h ="2 years") |>autoplot(us_gasoline) +labs(y ="Εκατομμύρια βαρέλια την ημέρα", x ="Εβδομάδα",title ="Εβδομαδιαία παραγωγή βενζίνης στις ΗΠΑ") +guides(fill_ramp =guide_legend(title ="Επίπεδο"))
Σχήμα 13.1: Προβλέψεις για εβδομαδιαία παραγωγή βενζίνης στις ΗΠΑ χρησιμοποιώντας μια ανάλυση STL με ένα μοντέλο ETS για τα εποχιακά προσαρμοζόμενα δεδομένα
Μια εναλλακτική προσέγγιση είναι να χρησιμοποιήσετε ένα μοντέλο δυναμικής αρμονικής παλινδρόμησης, όπως συζητήθηκε στην Ενότητα 10.5. Στο ακόλουθο παράδειγμα, ο αριθμός των όρων Fourier επιλέχθηκε ελαχιστοποιώντας το AICc. Η τάξη του μοντέλου ARIMA επιλέγεται επίσης ελαχιστοποιώντας το AICc, αν και αυτό γίνεται μέσα στη συνάρτηση ARIMA(). Χρησιμοποιούμε τη PDQ(0,0,0) για να αποτρέψουμε την ARIMA() να προσπαθήσει να διαχειριστεί την εποχικότητα χρησιμοποιώντας συνιστώσες εποχικότητας ARIMA.
gas_dhr |>forecast(h ="2 years") |>autoplot(us_gasoline) +labs(y ="Εκατομμύρια βαρέλια την ημέρα", x ="Εβδομάδα",title ="Εβδομαδιαία παραγωγή βενζίνης στις ΗΠΑ") +guides(fill_ramp =guide_legend(title ="Επίπεδο"))
Σχήμα 13.2: Προβλέψεις για εβδομαδιαία παραγωγή βενζίνης στις ΗΠΑ χρησιμοποιώντας ένα δυναμικό μοντέλο αρμονικής παλινδρόμησης.
Το προσαρμοσμένο μοντέλο έχει 6 ζεύγη με όρους Fourier και μπορεί να γραφτεί ως
y_t
= bt
+ \sum_{j=1}^{6} \left[ \alpha_j\sin\left( \frac{2\pi j t}{52.18} \right) + \beta_j\cos\left( \frac{2\pi j t}{52.18} \right) \right]
+ \eta_t
όπου \eta_t είναι μια διαδικασία ARIMA(0,1,1). Επειδή το \eta_t είναι μη στάσιμο, το μοντέλο εκτιμάται στην ουσία στις διαφορές των μεταβλητών και στις δύο πλευρές αυτής της εξίσωσης. Υπάρχουν 12 παράμετροι για την καταγραφή της εποχικότητας, ενώ ο συνολικός αριθμός βαθμών ελευθερίας είναι 14 (οι άλλες δύο προέρχονται από την παράμετρο MA και την παράμετρο περιπλάνησης).
Η προσέγγιση STL είναι προτιμότερη όταν η εποχικότητα αλλάζει με την πάροδο του χρόνου. Η προσέγγιση με δυναμική αρμονική παλινδρόμηση είναι προτιμότερη εάν υπάρχουν συμμεταβλητές που αποτελούν χρήσιμους παράγοντες πρόβλεψης, καθώς αυτοί μπορούν να προστεθούν ως επιπρόσθετοι παλινδρομητές.
Ημερήσια και υπο-ημερήσια δεδομένα
Τα ημερήσια και υπο-ημερήσια δεδομένα (όπως τα ωριαία) αποτελούν πρόκληση για διαφορετικό λόγο — συχνά περιλαμβάνουν πολλαπλά εποχιακά μοτίβα και επομένως πρέπει να χρησιμοποιήσουμε μια μέθοδο που να χειρίζεται τόσο περίπλοκες εποχικότητες.
Φυσικά, εάν οι χρονοσειρές είναι σχετικά μικρές, έτσι που να υπάρχει μόνο ένας τύπος εποχικότητας, τότε θα είναι δυνατή η χρήση μίας από τις εποχιακές μεθόδους που έχουμε συζητήσει σε προηγούμενα κεφάλαια (π.χ. ETS ή εποχιακό μοντέλο ARIMA). Αλλά όταν οι χρονοσειρές είναι αρκετά μεγάλες ώστε να καταστούν εμφανείς ορισμένες από τις μεγαλύτερες εποχιακές περιόδους, θα είναι απαραίτητο να χρησιμοποιήσετε την STL, τη δυναμική αρμονική παλινδρόμηση ή την Prophet, όπως συζητήθηκε στην Ενότητα 12.1.
Ωστόσο, αυτές οι μέθοδοι επιτρέπουν μόνο την κανονική εποχικότητα. Η καταγραφή της εποχικότητας που σχετίζεται με κινητά γεγονότα όπως το Πάσχα, το Eid ή την Κινέζικη Πρωτοχρονιά είναι πιο δύσκολη. Ακόμη και με μηνιαία δεδομένα, αυτό μπορεί να είναι δύσκολο καθώς τα φεστιβάλ μπορούν να πέσουν είτε τον Μάρτιο είτε τον Απρίλιο (για το Πάσχα), τον Ιανουάριο ή τον Φεβρουάριο (για το Κινέζικο νέο έτος) ή οποιαδήποτε στιγμή του έτους (για την Eid).
Ο καλύτερος τρόπος αντιμετώπισης της επίδρασης των κινητών διακοπών είναι να συμπεριλάβετε εικονικές μεταβλητές στο μοντέλο. Αυτό μπορεί να γίνει μέσα στις συναρτήσεις ARIMA() ή prophet(), για παράδειγμα, αλλά όχι στην ETS(). Στην πραγματικότητα, η prophet() έχει μια ειδική συνάρτηση holiday() για να ενσωματώνει εύκολα την επίδραση των διακοπών.
13.2 Χρονοσειρές με μετρήσεις
Όλες οι μέθοδοι που εξετάζονται σε αυτό το βιβλίο υποθέτουν ότι τα δεδομένα έχουν συνεχή δειγματικό χώρο. Αλλά συχνά τα δεδομένα έρχονται με τη μορφή μετρήσεων. Για παράδειγμα, θέλουμε να προβλέψουμε τον αριθμό των πελατών που εισέρχονται ένα κατάστημα κάθε μέρα. Θα μπορούσαμε να έχουμε 0, 1, 2, \dots, πελάτες, αλλά όχι 3.45693 πελάτες.
Στην πράξη, σπάνια έχει σημασία, υπό την προϋπόθεση ότι οι μετρήσεις μας είναι αρκετά μεγάλες. Εάν ο ελάχιστος αριθμός πελατών είναι τουλάχιστον 100, τότε η διαφορά μεταξύ ενός συνεχούς δειγματικού χώρου [100,\infty) και ενός διακριτού \{100,101,102,\dots\} δεν έχει αισθητή επίδραση στις προβλέψεις μας. Ωστόσο, εάν τα δεδομένα μας περιέχουν μικρές μετρήσεις (0, 1, 2, \dots), τότε πρέπει να χρησιμοποιήσουμε μεθόδους πρόβλεψης που είναι πιο κατάλληλες για ένα δειγματικό χώρο μη αρνητικών ακέραιων αριθμών.
Τέτοια μοντέλα είναι πέραν του σκοπού αυτού του βιβλίου. Ωστόσο, υπάρχει μια απλή μέθοδος που χρησιμοποιείται σε αυτό το πλαίσιο, την οποία θα θέλαμε να αναφέρουμε. Είναι η “μέθοδος Croston”, που πήρε το όνομά της από τον Βρετανό εφευρέτη της, John Croston και περιγράφεται για πρώτη φορά στην εργασία Croston (1972). Στην πραγματικότητα, αυτή η μέθοδος δεν ασχολείται σωστά με τη μετρήσιμη φύση των δεδομένων, αλλά χρησιμοποιείται τόσο συχνά, που αξίζει να τη γνωρίζετε.
Με τη μέθοδο του Croston, κατασκευάζουμε δύο νέες σειρές από την αρχική χρονοσειρά μας σημειώνοντας ποιες χρονικές περιόδους περιέχουν μηδενικές τιμές και ποιες μη μηδενικές τιμές. Έστω q_i η i-ή μη μηδενική ποσότητα και a_i ο χρόνος μεταξύ q_{i-1} και q_i. Η μέθοδος του Croston περιλαμβάνει ξεχωριστές απλές προβλέψεις εκθετικής εξομάλυνσης στις δύο νέες σειρές a και q. Επειδή η μέθοδος εφαρμόζεται συνήθως σε χρονοσειρές ζήτησης αντικειμένων, το q ονομάζεται συχνά “ζήτηση” και το a ο “χρόνος ενδιάμεσης άφιξης (inter-arrival time)”.
Εάν \hat{q}_{i+1|i} και \hat{a}_{i+1|i} είναι οι προβλέψεις ενός βήματος της (i+1)-ής ζήτησης και του χρόνου ενδιάμεσης άφιξης αντίστοιχα, με βάση τα δεδομένα που εξαρτώνται από τη ζήτηση i, τότε η μέθοδος του Croston δίνει \begin{align*}
\hat{q}_{i+1|i} & = (1 - \alpha_q)\hat{q}_{i|i-1} + \alpha_q q_i, \\
\hat{a}_{i+1|i} & = (1 - \alpha_a)\hat{a}_{i|i-1} + \alpha_a a_i.
\end{align*} Οι παράμετροι εξομάλυνσης \alpha_a και \alpha_q παίρνουν τιμές μεταξύ 0 και 1. Έστω j ο χρόνος για την τελευταία παρατηρούμενη θετική παρατήρηση. Τότε, η πρόβλεψη h βήματα μπροστά για τη ζήτηση T+h, δίνεται από το λόγο
\hat{y}_{T+h|T} = \hat{q}_{j+1|j}/\hat{a}_{j+1|j}.
Δεν υπάρχουν αλγεβρικά αποτελέσματα που να μας επιτρέπουν να υπολογίσουμε τα διαστήματα πρόβλεψης για αυτήν τη μέθοδο, επειδή η μέθοδος δεν αντιστοιχεί σε κανένα στατιστικό μοντέλο (Shenstone & Hyndman, 2005). Είναι επίσης γνωστό ότι οι προβλέψεις που λαμβάνονται με τη μέθοδο του Croston είναι μεροληπτικές (Syntetos & Boylan, 2001).
Η συνάρτηση CROSTON() παράγει προβλέψεις χρησιμοποιώντας τη μέθοδο του Croston. Οι δύο παράμετροι εξομάλυνσης \alpha_a και \alpha_q υπολογίζονται από τα δεδομένα. Αυτό ο τρόπος είναι διαφορετικός από αυτόν που χρησιμοποιούσε ο Croston τη μέθοδο. Απλά χρησιμοποιούσε \alpha_a=\alpha_q=0.1, και έθετε a_0 και q_0 ώστε να ισούται με την πρώτη παρατήρηση σε κάθε σειρά.
Παράδειγμα: Πωλήσεις φαρμακευτικών προϊόντων
Το Σχήμα 13.3 δείχνει το πλήθος των συνταγογραφήσεων που πωλούνται κάθε μήνα για προϊόντα ανοσοποιητικού ορού (Immune sera) και ανοσοσφαιρίνης στην Αυστραλία. Τα δεδομένα περιέχουν μικρές μετρήσεις, με πολλούς μήνες να καταγράφουν μηδενικές πωλήσεις και μόνο μικρές στους άλλους μήνες.
j06 <- PBS |>filter(ATC2 =="J06") |>summarise(Scripts =sum(Scripts))j06 |>autoplot(Scripts) +labs(y ="Πλήθος συνταγών", x ="Μήνας",title ="Πωλήσεις ανοσοποιητικών ορών και ανοσοσφαιρινών")
Σχήμα 13.3: Πλήθος συνταγογραφήσεων που πωλούνται για ανοσοποιητικό ορό και ανοσοσφαιρίνες στο Αυστραλιανό Πρόγραμμα Φαρμακευτικών Παροχών.
Οι Πίνακες 13.1 και 13.2 παρουσιάζουν τις πρώτες 10 μη μηδενικές τιμές ζήτησης, με τους αντίστοιχους χρόνους ενδιάμεσης άφιξης.
Πίνακας 13.1: Οι πρώτες 10 μη μηδενικές τιμές ζήτησης.
Month
Scripts
1991 Jul
1
1991 Aug
1
1991 Sep
1
1991 Oct
0
1991 Nov
0
1991 Dec
1
1992 Jan
3
1992 Feb
1
1992 Mar
1
1992 Apr
1
1992 May
1
1992 Jun
1
Πίνακας 13.2: Οι πρώτες 10 μη μηδενικές τιμές ζήτησης που παρουσιάζονται ως σειρές ζήτησης και ενδιάμεσης άφιξης.
i
1
2
3
4
5
6
7
8
9
10
q_i
1
1
1
1
3
1
1
1
1
1
a_i
1
1
3
1
1
1
1
1
1
Σε αυτό το παράδειγμα, οι παράμετροι εξομάλυνσης εκτιμάται ότι είναι \alpha_a = 0.08, \alpha_q = 0.71, \hat{q}_{1|0}=4.17, και \hat{a}_{1|0}=3.52. Οι τελικές προβλέψεις για τις δύο σειρές είναι \hat{q}_{T+1|T} = 2.419 και \hat{a}_{T+1|T} = 2.484. Έτσι οι προβλέψεις είναι όλες ίσες με \hat{y}_{T+h|T} = 2.419/2.484 = 0.974.
Στην πράξη, το fable κάνει αυτούς τους υπολογισμούς για εσάς:
j06 |>model(CROSTON(Scripts)) |>forecast(h =6)
# A fable: 6 x 4 [1M]
# Key: .model [1]
.model Month Scripts .mean
<chr> <mth> <dist> <dbl>
1 CROSTON(Scripts) 2008 Jul 0.9735 0.974
2 CROSTON(Scripts) 2008 Aug 0.9735 0.974
3 CROSTON(Scripts) 2008 Sep 0.9735 0.974
4 CROSTON(Scripts) 2008 Oct 0.9735 0.974
5 CROSTON(Scripts) 2008 Nov 0.9735 0.974
6 CROSTON(Scripts) 2008 Dec 0.9735 0.974
Η στήλη Scripts επαναλαμβάνει το μέσο όρο και δεν παρέχει την πλήρη κατανομή, επειδή δεν υπάρχει υποκείμενο στοχαστικό μοντέλο.
Τα μοντέλα πρόβλεψης που ασχολούνται πιο άμεσα με τη φύση της μέτρησης των δεδομένων και επιτρέπουν μια κατανομή προβλέψεων, περιγράφονται στην εργασία των Christou & Fokianos (2015).
13.3 Διασφάλιση ότι οι προβλέψεις παραμένουν εντός ορίων
Είναι σύνηθες να θέλετε οι προβλέψεις να είναι θετικές ή να απαιτείτε να βρίσκονται εντός συγκεκριμένου εύρους τιμών [a,b]. Και τις δύο αυτές περιπτώσεις είναι σχετικά εύκολο να τις διαχειριστείτε χρησιμοποιώντας μετασχηματισμούς.
Θετικές προβλέψεις
Για να επιβάλουμε έναν περιορισμό θετικότητας, μπορούμε απλά να εργαστούμε στη λογαριθμική κλίμακα. Για παράδειγμα, σκεφτείτε την πραγματική τιμή δώδεκα αυγών (1900-1993, σε σεντς), όπως φαίνεται στο Σχήμα 13.4. Λόγω του λογαριθμικού μετασχηματισμού, οι κατανομές των προβλέψεων περιορίζονται σε θετικές τιμές και έτσι θα γίνουν προοδευτικά πιο ασύμμετρες καθώς μειώνεται ο μέσος όρος.
egg_prices <- prices |>filter(!is.na(eggs))egg_prices |>model(ETS(log(eggs) ~trend("A"))) |>forecast(h =50) |>autoplot(egg_prices) +labs(title ="Ετήσιες τιμές αυγών", x ="Έτος",y ="$ ΗΠΑ (σε cents προσαρμοσμένα στον πληθωρισμό) ") +guides(fill_ramp =guide_legend(title ="Επίπεδο"))
Σχήμα 13.4: Οι προβλέψεις για την τιμή μιας δωδεκάδας αυγών, περιορίζονται να είναι θετικές χρησιμοποιώντας έναν μετασχηματισμό Box-Cox.
Προβλεψεις που περιορίζονται σε ένα διάστημα
Για να δείτε πώς να χειρίζεστε δεδομένα που περιορίζονται σε ένα διάστημα, φανταστείτε ότι οι τιμές των αυγών περιορίστηκαν να βρίσκονται εντός των τιμών a=50 και b=400. Τότε, μπορούμε να μετασχηματίσουμε τα δεδομένα χρησιμοποιώντας έναν κλιμακωτό λογιστικό μετασχηματισμό (scaled logit transform) που αντιστοιχεί το (a,b) σε ολόκληρη την πραγματική γραμμή:
y = \log\left(\frac{x-a}{b-x}\right),
όπου το x αντιστοιχεί στην αρχική κλίμακα και το y στα μετασχηματισμένα δεδομένα. Για να αντιστρέψουμε τον μετασχηματισμό, θα χρησιμοποιήσουμε
x = \frac{(b-a)e^y}{1+e^y} + a.
Αυτός δεν είναι ένας εγγενής μετασχηματισμός, επομένως θα πρέπει πρώτα να δημιουργήσουμε τις συναρτήσεις μετασχηματισμού.
Σχήμα 13.5: Οι προβλέψεις για την τιμή μιας δωδεκάδας αυγών, περιορίζονται να κυμαίνονται μεταξύ 50 και 400 cents US.
Η προσαρμογή του σφάλματος εφαρμόζεται αυτόματα εδώ, και τα διαστήματα πρόβλεψης από αυτούς τους μετασχηματισμούς έχουν την ίδια πιθανότητα κάλυψης με την μετασχηματισμένη κλίμακα, επειδή τα ποσοστημόρια διατηρούνται υπό μονότονα αύξοντες μετασχηματισμούς.
Τα διαστήματα πρόβλεψης βρίσκονται πάνω από το 50 λόγω του μετασχηματισμού. Ως αποτέλεσμα αυτού του τεχνητού (και μη ρεαλιστικού) περιορισμού, οι κατανομές πρόβλεψης έχουν γίνει πολύ ασύμμετρες.
13.4 Συνδυαστική πρόβλεψη
Ένας εύκολος τρόπος βελτίωσης της ακρίβειας των προβλέψεων είναι η χρήση πολλών διαφορετικών μεθόδων στις ίδιες χρονοσειρές και ο υπολογισμός της μέσης τιμής των προβλέψεων που προκύπτουν. Πάνω από 50 χρόνια πριν, οι John Bates και Clive Granger έγραψαν μια διάσημη εργασία (Bates & Granger, 1969), δείχνοντας ότι ο συνδυασμός προβλέψεων οδηγεί συχνά σε καλύτερη ακρίβεια των προβλέψεων. Είκοσι χρόνια αργότερα, Clemen (1989) έγραψε
Τα αποτελέσματα ήταν σχεδόν ομόφωνα: ο συνδυασμός πολλαπλών προβλέψεων οδηγεί σε αυξημένη ακρίβεια των προβλέψεων. Σε πολλές περιπτώσεις μπορεί κανείς να κάνει σημαντικές βελτιώσεις στην απόδοση υπολογίζοντας απλά το μέσο όρο των προβλέψεων.
Ενώ υπήρξε σημαντική έρευνα σχετικά με τη χρήση σταθμισμένων μέσων ή κάποιας άλλης πιο σύνθετης προσέγγισης συνδυασμού, η χρήση ενός απλού μέσου όρου έχει αποδειχθεί ότι είναι δύσκολο να ξεπεραστεί (Wang κ.ά., 2023).
Ακολουθεί ένα παράδειγμα χρησιμοποιώντας μηνιαία έσοδα από φαγητό σε πακέτο στην Αυστραλία, από τον Απρίλιο του 1982 έως τον Δεκέμβριο του 2018. Χρησιμοποιούμε προβλέψεις από τα ακόλουθα μοντέλα: ETS, STL-ETS και ARIMA. και συγκρίνουμε τα αποτελέσματα χρησιμοποιώντας τα τελευταία 5 χρόνια (60 μήνες) των παρατηρήσεων.
Παρατηρήστε ότι σχηματίζουμε έναν συνδυασμό στη συνάρτηση mutate() λαμβάνοντας απλώς μια γραμμική συνάρτηση των εκτιμώμενων μοντέλων. Αυτή η πολύ απλή σύνταξη θα χειριστεί αυτόματα την κατανομή προβλέψεων κατάλληλα λαμβάνοντας υπόψη τη συσχέτιση μεταξύ των σφαλμάτων πρόβλεψης των περιλαμβανόμενων μοντέλων. Ωστόσο, για να διατηρήσουμε το επόμενο διάγραμμα απλό, θα παραλείψουμε τα διαστήματα πρόβλεψης.
cafe_fc |>autoplot(auscafe |>filter(year(Month) >2008), level =NULL) +labs(y ="Δισεκατομμύρια $", x ="Μήνας", colour ="Μοντέλο",title ="Μηνιαίες δαπάνες στην εστίαση στην Αυστραλία")
Σχήμα 13.6: Σημειακές προβλέψεις από διάφορες μεθόδους που εφαρμόζονται στις μηνιαίες δαπάνες στην εστίαση στην Αυστραλίας.
cafe_fc |>accuracy(auscafe) |>arrange(RMSE)
# A tibble: 4 × 10
.model .type ME RMSE MAE MPE MAPE MASE RMSSE ACF1
<chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 combination Test 8.09 41.0 31.8 0.401 2.19 0.776 0.790 0.747
2 arima Test -25.4 46.2 38.9 -1.77 2.65 0.949 0.890 0.786
3 stlf Test -36.9 64.1 51.7 -2.55 3.54 1.26 1.23 0.775
4 ets Test 86.5 122. 101. 5.51 6.66 2.46 2.35 0.880
Το ARIMA μοντέλο τα πηγαίνει ιδιαιτέρως καλά με αυτήν τη σειρά, με τη συνδυαστική προσέγγιση να είναι δεύτερη καλύτερη (και πολύ καλύτερη από τα ETS και STLF). Για άλλα δεδομένα, το ARIMA μοντέλο μπορεί να είναι αρκετά κακό, ενώ η συνδυαστική προσέγγιση συνήθως δεν είναι πολύ μακριά ή είναι καλύτερη από την καλύτερη συνιστώσα μέθοδο.
Κατανομή συνδυαστικής πρόβλεψης
Το αντικείμενο cafe_fc περιέχει κατανομές προβλέψεων, από τις οποίες συνήθως μπορεί να υπολογιστεί οποιοδήποτε διάστημα πρόβλεψης. Ας δούμε τα διαστήματα για την πρώτη περίοδο.
cafe_fc |>filter(Month ==min(Month))
# A fable: 4 x 4 [1M]
# Key: .model [4]
.model Month Turnover
<chr> <mth> <dist>
1 ets 2014 Jan N(1289, 1118)
2 stlf 2014 Jan t(N(7.2, 0.00063))
3 arima 2014 Jan t(N(7.2, 0.00061))
4 combination 2014 Jan 1299
# ℹ 1 more variable: .mean <dbl>
Τα πρώτα τρία είναι ένα μείγμα κανονικών και μετασχηματισμένων κανονικών κατανομών. Το πακέτο δεν συνδυάζει ακόμη τόσο διαφορετικές κατανομές, οπότε η συνδυαστική έξοδος είναι απλά ο μέσος όρος.
Ωστόσο, εάν δουλεύουμε με προσομοιωμένα δειγματικά μονοπάτια, είναι δυνατή η δημιουργία κατανομών πρόβλεψης και για τη συνδυαστική πρόβλεψη.
# Forecast distributions for h=1cafe_futures |>filter(Month ==min(Month))
# A fable: 4 x 3 [1M]
# Key: .model [4]
Month .model dist
<mth> <chr> <dist>
1 2014 Jan arima sample[1000]
2 2014 Jan combination sample[1000]
3 2014 Jan ets sample[1000]
4 2014 Jan stlf sample[1000]
Τώρα και τα τέσσερα μοντέλα, συμπεριλαμβανομένου του συνδυασμού, αποθηκεύονται ως εμπειρικές κατανομές και μπορούμε να σχεδιάσουμε διαστήματα προβλέψεων για την συνδυαστική πρόβλεψη, όπως παρουσιάζεται στο Σχήμα 13.7.
cafe_futures |>filter(.model =="combination") |>autoplot(auscafe |>filter(year(Month) >2008)) +labs(y ="Δισεκατομμύρια $", x ="Μήνας", title ="Μηνιαίες δαπάνες στην εστίαση στην Αυστραλία") +guides(fill_ramp =guide_legend(title ="Επίπεδο"))
Σχήμα 13.7: Διαστήματα πρόβλεψης για την συνδυαστική πρόβλεψη των μηνιαίων δαπανών στην εστίαση στην Αυστραλία.
Για να ελέγξουμε την ακρίβεια των διαστημάτων πρόβλεψης 95%, μπορούμε να χρησιμοποιήσουμε το μέτρο Winkler (που ορίζεται στην Ενότητα 5.9).
# A tibble: 4 × 5
.model .type winkler pinball scaled_pinball
<chr> <chr> <dbl> <dbl> <dbl>
1 combination Test 420. 17.6 0.214
2 stlf Test 596. 30.2 0.369
3 ets Test 731. 23.9 0.292
4 arima Test 767. 38.6 0.471
Το χαμηλότερο είναι το καλύτερο, επομένως η συνδυαστική πρόβλεψη είναι και πάλι καλύτερη από οποιοδήποτε από τα συνιστώσα μοντέλα.
13.5 Διαστήματα εμπιστοσύνης για συναθροίσεις
Ένα κοινό πρόβλημα είναι η πρόβλεψη συνάθροισης δεδομένων πολλών χρονικών περιόδων, χρησιμοποιώντας ένα μοντέλο προσαρμοσμένο σε μη συγκεντρωτικά δεδομένα. Για παράδειγμα, ενδέχεται να έχουμε μηνιαία δεδομένα, αλλά θέλουμε να προβλέψουμε το σύνολο για το επόμενο έτος. Ή μπορεί να έχουμε εβδομαδιαία δεδομένα και θέλουμε να προβλέψουμε το σύνολο για τις επόμενες τέσσερις εβδομάδες.
Εάν οι σημειακές προβλέψεις είναι αριθμητικοί μέσοι, τότε η πρόσθεση αυτών θα δώσει μια καλή εκτίμηση του συνόλου. Όμως, τα διαστήματα πρόβλεψης υπολογίζονται πιο δύσκολα λόγω των συσχετίσεων μεταξύ των σφαλμάτων πρόβλεψης.
Μια γενική λύση είναι να χρησιμοποιήσετε προσομοιώσεις. Ακολουθεί ένα παράδειγμα που χρησιμοποιούνται μοντέλα ETS που εφαρμόζονται στις πωλήσεις τροφίμων στην Αυστραλία, υποθέτοντας ότι θέλουμε να προβλέψουμε τα συνολικά έσοδα για τους επόμενους 12 μήνες.
fit <- auscafe |># Fit a model to the datamodel(ETS(Turnover))futures <- fit |># Simulate 10000 future sample paths, each of length 12generate(times =10000, h =12) |># Sum the results for each sample pathas_tibble() |>group_by(.rep) |>summarise(.sim =sum(.sim)) |># Store as a distributionsummarise(total = distributional::dist_sample(list(.sim)))
Μπορούμε να υπολογίσουμε το μέσο όρο των προσομοιώσεων, μαζί με τα διαστήματα πρόβλεψης:
# A tibble: 1 × 4
total mean pi80 pi95
<dist> <dbl> <hilo> <hilo>
1 sample[10000] 19212. [18330, 20118]80 [17851, 20628]95
Όπως αναμενόταν, ο μέσος όρος των προσομοιωμένων δεδομένων είναι κοντά στο άθροισμα των μεμονωμένων προβλέψεων.
forecast(fit, h =12) |>as_tibble() |>summarise(total =sum(.mean))
# A tibble: 1 × 1
total
<dbl>
1 19212.
13.6 Προς τα πίσω πρόβλεψη
Μερικές φορές είναι χρήσιμο να “να προβλέψουμε προς τα πίσω (backcast)” χρονοσειρές — δηλαδή, να προβλέπουμε μια παρελθοντική χρονική στιγμή. Παρόλο που δεν υπάρχουν ενσωματωμένες συναρτήσεις στην R, είναι εύκολο να την υλοποιήσουμε δημιουργώντας ένα νέο δείκτη χρόνου.
Ας υποθέσουμε ότι θέλουμε να επεκτείνουμε τη μελέτη της πώλησης φαγητού σε πακέτο στην Αυστραλία έως τις αρχές του 1981 (τα πραγματικά δεδομένα ξεκινούν τον Απρίλιο 1982)
backcasts <- auscafe |>mutate(reverse_time =rev(row_number())) |>update_tsibble(index = reverse_time) |>model(ets =ETS(Turnover ~season(period =12))) |>forecast(h =15) |>mutate(Month = auscafe$Month[1] - (1:15)) |>as_fable(index = Month, response ="Turnover", distribution ="Turnover")backcasts |>autoplot(auscafe |>filter(year(Month) <1990)) +labs(title ="Προς τα πίσω προβλέψεις των δαπανών για φαγητό στην Αυστραλία", y ="$ (σε δισεκατομμύρια)",x ="Μήνας") +guides(fill_ramp =guide_legend(title ="Επίπεδο"))
Σχήμα 13.8: Προς τα πίσω πρόβλεψη για μηνιαία έξοδα σε καφετέριες, εστιατόρια και υπηρεσίες φαγητού σε πακέτο στην Αυστραλία χρησιμοποιώντας ένα μοντέλο ETS.
Το μεγαλύτερο μέρος της δουλειάς εδώ είναι η επαναορισμός του δείκτη του αντικειμένου tsibble και στη συνέχεια ο επαναορισμός του δείκτη του αντικειμένου fable.
13.7 Πολύ μεγάλες και πολύ μικρές χρονοσειρές
Πρόβλεψη πολύ μικρών χρονοσειρών
Συχνά μας ρωτάνε πόσο λίγα δεοδμένα μπορούν να χρησιμοποιηθούν για την προσαρμογή ενός μοντέλου χρονοσειρών. Όπως με σχεδόν όλες τις ερωτήσεις για το μέγεθος του δείγματος, δεν υπάρχει εύκολη απάντηση. Εξαρτάται από το πλήθος των παραμέτρων του μοντέλου που πρέπει να εκτιμηθεί και το μέγεθος της τυχαιότητας στα δεδομένα. Το απαιτούμενο μέγεθος δείγματος αυξάνεται με τον αριθμό των παραμέτρων που πρέπει να εκτιμηθούν και την ποσότητα θορύβου στα δεδομένα.
Ορισμένα βιβλία παρέχουν εμπειρικούς κανόνες που δίνουν ελάχιστα μεγέθη δείγματος για διάφορα μοντέλα χρονοσειρών. Αυτά είναι παραπλανητικά και αβάσιμα στη θεωρία ή στην πράξη. Επιπλέον, αγνοούν την υποκείμενη μεταβλητότητα των δεδομένων και, επίσης, συχνά παραβλέπουν το πλήθος των παραμέτρων που πρέπει να εκτιμηθούν επίσης. Για παράδειγμα, δεν υπάρχει καμία αιτιολόγηση για τον μαγικό αριθμό 30 που συχνά δίνεται ως ελάχιστο μέγεθος για τη μοντελοποίηση με ARIMA. Το μόνο θεωρητικό όριο είναι ότι χρειαζόμαστε περισσότερες παρατηρήσεις από τις παραμέτρους στο μοντέλο πρόβλεψης. Ωστόσο, στην πράξη, συνήθως χρειαζόμαστε πολύ περισσότερες παρατηρήσεις από αυτό.
Ιδανικά, θα δοκιμάζαμε εάν το επιλεγμένο μοντέλο μας έχει καλή απόδοση εκτός δείγματος σε σύγκριση με μερικές απλούστερες προσεγγίσεις. Ωστόσο, με τις σύντομες σειρές, δεν υπάρχουν αρκετά δεδομένα που να επιτρέπουν την παράλειψη ορισμένων παρατηρήσεων για σκοπούς αξιολόγησης, και ακόμη και η διασταυρούμενη επικύρωση μιας χρονοσειράς μπορεί να είναι δύσκολο να εφαρμοστεί. Το AICc είναι ιδιαίτερα χρήσιμο εδώ, επειδή αντικατοπτρίζει την πρόβλεψη ενός βήματος MSE εκτός δείγματος. Η επιλογή του μοντέλου με την ελάχιστη τιμή AICc επιτρέπει να ληφθούν υπόψη τόσο ο αριθμός των παραμέτρων όσο και η ποσότητα του θορύβου.
Αυτό που συμβαίνει συνήθως με μικρές σειρές είναι ότι το AICc προτείνει απλά μοντέλα, επειδή οτιδήποτε με περισσότερες από μία ή δύο παραμέτρους θα παράγει κακές προβλέψεις λόγω του σφάλματος εκτίμησης. Θα προσαρμόσουμε ένα μοντέλο ARIMA στην ετήσια σειρά του διαγωνισμού M3 με λιγότερες από 20 παρατηρήσεις. Πρώτα πρέπει να δημιουργήσουμε ένα tsibble αντικείμενο, που να περιέχει τις σχετικές σειρές.
Τώρα μπορούμε να εφαρμόσουμε ένα μοντέλο ARIMA σε κάθε σειρά.
short_fit <- short |>model(arima =ARIMA(value))
Από τις 152 σειρές, οι 21 είχαν μοντέλα με μηδενικές παραμέτρους (λευκός θόρυβος και τυχαίους περιπάτους), οι 86 είχαν μοντέλα με μία παράμετρο, οι 31 είχαν μοντέλα με δύο παραμέτρους, οι 13 είχαν μοντέλα με τρεις παραμέτρους και μόνο 1 σειρά είχε ένα μοντέλο με τέσσερις παραμέτρους.
Πρόβλεψη πολύ μεγάλων χρονοσειρών
Τα περισσότερα μοντέλα χρονοσειρών δεν λειτουργούν καλά για πολύ μεγάλες σειρές. Το πρόβλημα είναι ότι τα πραγματικά δεδομένα δεν προέρχονται από μοντέλα που χρησιμοποιούμε. Όταν ο αριθμός των παρατηρήσεων δεν είναι μεγάλος (ας πούμε έως περίπου 200) τα μοντέλα λειτουργούν συχνά καλά ως προσέγγιση οποιασδήποτε διαδικασίας δημιουργεί τα δεδομένα. Αλλά τελικά θα έχουμε αρκετά δεδομένα όπου η διαφορά μεταξύ της πραγματικής διαδικασίας και του μοντέλου θα αρχίζει να γίνεται πιο εμφανής. Ένα επιπλέον πρόβλημα είναι ότι η βελτιστοποίηση των παραμέτρων καθίσταται πιο χρονοβόρα λόγω του αριθμού των παρατηρήσεων.
Το τι θα κάνετε για αυτά τα ζητήματα εξαρτάται από τον σκοπό του μοντέλου. Θα μπορούσε να χρησιμοποιηθεί ένα πιο ευέλικτο και σύνθετο μοντέλο, αλλά αυτό εξακολουθεί να προϋποθέτει ότι η δομή του μοντέλου θα λειτουργήσει καθ’ όλη την περίοδο των δεδομένων. Μια καλύτερη προσέγγιση είναι συνήθως να επιτρέπεται στο ίδιο το μοντέλο να αλλάζει με την πάροδο του χρόνου. Τα μοντέλα ETS έχουν σχεδιαστεί για να αντιμετωπίζουν αυτήν την κατάσταση επιτρέποντας την τάση και τους εποχιακούς όρους να εξελίσσονται με την πάροδο του χρόνου. Τα διαφοροποιημένα μοντέλα ARIMA έχουν μια παρόμοια ιδιότητα. Αλλά τα μοντέλα δυναμικής παλινδρόμησης δεν επιτρέπουν την εξέλιξη των συνιστωσών του μοντέλου.
Εάν ενδιαφερόμαστε μόνο για την πρόβλεψη των επόμενων παρατηρήσεων, μια απλή προσέγγιση είναι να πετάξουμε τις πρώτες παρατηρήσεις και να προσαρμόσουμε μόνο ένα μοντέλο στις πιο πρόσφατες παρατηρήσεις. Τότε ένα άκαμπτο μοντέλο μπορεί να λειτουργήσει καλά επειδή δεν υπάρχει αρκετός χρόνος για να αλλάξουν ουσιαστικά οι σχέσεις.
Για παράδειγμα, εφαρμόσαμε ένα μοντέλο δυναμικής αρμονικής παλινδρόμησης σε 26 χρόνια εβδομαδιαίας παραγωγής βενζίνης στην Ενότητα 13.1. Ίσως να είναι μη ρεαλιστικό να υποθέτουμε ότι το εποχιακό πρότυπο παραμένει το ίδιο για σχεδόν τρεις δεκαετίες. Έτσι θα μπορούσαμε απλά να προσαρμόσουμε ένα μοντέλο στα τελευταία χρόνια.
13.8 Πρόβλεψη σε σύνολα εκπαίδευσης και αξιολόγησης
Συνήθως, πραγματοποιούμε πρόβλεψη ενός βήματος σε δεδομένα εκπαίδευσης (τις «προσαρμοσμένες τιμές») και πολλαπλού βήματος σε δεδομένα αξιολόγησης. Ωστόσο, κατά καιρούς ενδέχεται να θέλουμε να υπολογίσουμε προβλέψεις πολλαπλού βήματος σε δεδομένα εκπαίδευσης ή προβλέψεις ενός βήματος στα δεδομένα αξιολόγησης
Προβλέψεις πολλαπλού βήματος σε δεδομένα εκπαίδευσης
Συνήθως ορίζουμε τις προσαρμοσμένες τιμές ως προβλέψεις ενός βήματος στο σύνολο εκπαίδευσης (βλέπε Ενότητα 5.3), αλλά μια παρόμοια ιδέα μπορεί να χρησιμοποιηθεί για προβλέψεις πολλαπλού βήματος. Θα παρουσιάσουμε τη μέθοδο χρησιμοποιώντας ένα μοντέλο ARIMA για τις δαπάνες σε φαγητό πακέτου στην Αυστραλία. Χρησιμοποιούνται τα τελευταία πέντε χρόνια ως σύνολο αξιολόγησης και οι προβλέψεις απεικονίζονται στο Σχήμα 13.9.
training <- auscafe |>filter(year(Month) <=2013)test <- auscafe |>filter(year(Month) >2013)cafe_fit <- training |>model(ARIMA(log(Turnover)))cafe_fit |>forecast(h =60) |>autoplot(auscafe) +labs(title ="Δαπάνες για φαγητό στην Αυστραλία", y ="$ (σε δισεκατομμύρια)", x ="Μήνας") +guides(fill_ramp =guide_legend(title ="Επίπεδο"))
Σχήμα 13.9: Προβλέψεις από ένα μοντέλο ARIMA που προσαρμόζεται σε δεδομένα εκπαίδευσης των καταστημάτων καφέ στην Αυστραλία.
Η συνάρτηση fitted() έχει ένα όρισμα h που επιτρέπει προσαρμοσμένες τιμές h βημάτων στο σύνολο εκπαίδευσης. Το Σχήμα 13.10 παρουσιάζει ένα διάγραμμα προβλέψεων 12 βημάτων (ενός έτους) στο σύνολο εκπαίδευσης. Επειδή το μοντέλο περιλαμβάνει τόσο εποχιακή (υστέρηση 12) όσο και πρώτης διαφοράς (υστέρηση 1), δεν είναι δυνατό να υπολογιστούν αυτές οι προβλέψεις για τις πρώτες λίγες παρατηρήσεις.
fits12 <-fitted(cafe_fit, h =12)training |>autoplot(Turnover) +autolayer(fits12, .fitted, col ="#D55E00") +labs(title ="Δαπάνες για φαγητό στην Αυστραλία", y ="$ (σε δισεκατομμύρια)", x ="Μήνας")
Σχήμα 13.10: Προσαρμοσμένες τιμές δώδεκα βημάτων από ένα μοντέλο ARIMA που προσαρμόζεται στα δεδομένα εκπαίδευσης καταστημάτων καφέ στην Αυστραλίας.
Προβλέψεις ενός βήματος σε δεδομένα αξιολόγησης
Είναι κοινή πρακτική να προσαρμόζεται ένα μοντέλο χρησιμοποιώντας δεδομένα εκπαίδευσης και στη συνέχεια να αξιολογείται η απόδοσή του σε ένα σύνολο δεδομένων αξιολόγησης. Ο τρόπος που γίνεται, συνήθως, σημαίνει ότι οι συγκρίσεις στα δεδομένα δοκιμής χρησιμοποιούν διαφορετικούς ορίζοντες πρόβλεψης. Στο παραπάνω παράδειγμα, χρησιμοποιήσαμε τις τελευταίες εξήντα παρατηρήσεις για τα δεδομένα αξιολόγησης και εκτιμήσαμε το μοντέλο πρόβλεψης στα δεδομένα εκπαίδευσης. Στη συνέχεια, τα σφάλματα πρόβλεψης θα είναι για 1 βήμα, 2 βήματα, …, 60 βήματα μπροστά. Η διακύμανση πρόβλεψης συνήθως αυξάνεται με τον ορίζοντα πρόβλεψης, οπότε εάν απλά υπολογίζουμε τον μέσο όρο των απόλυτων ή τετραγωνικών σφαλμάτων από το σύνολο αξιολόγησης, συνδυάζουμε αποτελέσματα με διαφορετικές διακυμάνσεις.
Μια λύση σε αυτό το ζήτημα είναι ο υπολογισμός σφαλμάτων 1 βήματος στα δεδομένα αξιολόγησης. Δηλαδή, εξακολουθούμε να χρησιμοποιούμε τα δεδομένα εκπαίδευσης για να υπολογίσουμε τυχόν παραμέτρους, αλλά όταν υπολογίζουμε τις προβλέψεις στα δεδομένα αξιολόγησης, χρησιμοποιούμε όλα τα δεδομένα που προηγούνται κάθε παρατήρησης (δεδομένα εκπαίδευσης και αξιολόγησης). Επομένως, τα δεδομένα εκπαίδευσής που έχουμε αφορούν τις χρονικές στιγμές 1,2,\dots,T-60. Εκτιμούμε το μοντέλο σε αυτά τα δεδομένα, αλλά στη συνέχεια υπολογίζουμε \hat{y}_{T-60+h|T-61+h}, για h=1,\dots,T-1. Επειδή τα δεδομένα αξιολόγησης δεν χρησιμοποιούνται για την εκτίμηση των παραμέτρων, αυτό μας δίνει ακόμα μια «δίκαιη» πρόβλεψη.
Χρησιμοποιώντας το ίδιο μοντέλο ARIMA που χρησιμοποιήθηκε παραπάνω, εφαρμόζουμε τώρα το μοντέλο στα δεδομένα αξιολόγησης.
cafe_fit |>refit(test) |>accuracy()
# A tibble: 1 × 10
.model .type ME RMSE MAE MPE MAPE MASE RMSSE ACF1
<chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 ARIMA(log(Turnover)) Training -2.49 20.5 15.4 -0.169 1.06 0.236 0.259 -0.0502
Σημειώστε ότι το μοντέλο δεν επανεκτιμάται σε αυτήν την περίπτωση. Αντ’ αυτού, το μοντέλο που αποκτήθηκε προηγουμένως (και αποθηκεύτηκε ως cafe_fit) εφαρμόζεται στα δεδομένα test. Επειδή το μοντέλο δεν επανεκτιμήθηκε, τα “υπόλοιπα” που αποκτήθηκαν εδώ είναι στην πραγματικότητα σφάλματα πρόβλεψης ενός βήματος. Κατά συνέπεια, τα αποτελέσματα που παράγονται από την εντολή accuracy() αφορούν στην πραγματικότητα στο σύνολο αξιολόγησης (παρόλο που το αποτέλεσμα του προγράμματος λέει “Training set – Σύνολο εκπαίδευσης”). Αυτή η προσέγγιση μπορεί να χρησιμοποιηθεί για τη σύγκριση προβλέψεων ενός βήματος από διαφορετικά μοντέλα.
13.9 Αντιμετώπιση ακραίων και μη διαθέσιμων τιμών
Στα πραγματικά δεδομένα συχνά λείπουν τιμές, υπάρχουν ακραίες παρατηρήσεις και άλλα παρόμοια “ακατάστατα” χαρακτηριστικά. Η ενασχόληση μαζί τους μπορεί μερικές φορές να είναι προβληματική.
Ακραίες τιμές
Οι ακραίες τιμές είναι παρατηρήσεις που είναι πολύ διαφορετικές από τις περισσότερες παρατηρήσεις στη χρονοσειρά. Μπορεί να είναι λάθη ή να είναι, απλά, ασυνήθιστες. (Ανατρέξτε στην Ενότητα 7.3 για μια συζήτηση περί ακραίων τιμών σε ένα πλαίσιο παλινδρόμησης.) Καμία από τις μεθόδους που εξετάσαμε σε αυτό το βιβλίο δεν θα λειτουργήσει καλά εάν υπάρχουν ακραίες τιμές τιμές στα δεδομένα. Σε αυτήν την περίπτωση, ίσως θέλουμε να τις θεωρήσουμε ως μη διαθέσιμες ή να τις αντικαταστήσουμε με μια εκτίμηση που να είναι πιο συνεπής με την πλειονότητα των δεδομένων.
Η απλή αντικατάσταση των ακραίων τιμών χωρίς να σκεφτούμε το λόγο που υπάρχουν είναι μια επικίνδυνη πρακτική. Μπορεί να παρέχουν χρήσιμες πληροφορίες σχετικά με τη διαδικασία που παρήγαγε τα δεδομένα, η οποία θα πρέπει να ληφθεί υπόψη κατά την πρόβλεψη. Ωστόσο, εάν είμαστε πρόθυμοι να υποθέσουμε ότι οι ακραίες τιμές είναι πραγματικά λάθη ή ότι δεν θα συμβούν κατά την περίοδο πρόβλεψης, τότε η αντικατάστασή τους μπορεί να διευκολύνει την εργασία της πρόβλεψης.
Το Σχήμα 13.11 παρουσιάζει τον αριθμό των επισκεπτών στην περιοχή της Adelaide Hills στη Νότια Αυστραλία. Φαίνεται να υπάρχει μια ασυνήθιστη παρατήρηση το 2002 Q4.
tourism |>filter( Region =="Adelaide Hills", Purpose =="Visiting" ) |>autoplot(Trips) +labs(title ="Τριμηνιαίες διανυκτερεύσεις στο Adelaide Hills",y ="Πλήθος ταξιδιών", x ="Τρίμηνο")
Σχήμα 13.11: Αριθμός διανυκτερεύσεων στην περιοχή Adelaide Hills στη Νότια Αυστραλία.
Ένας χρήσιμος τρόπος για να βρείτε τις ακραίες τιμές είναι να εφαρμόσετε τη συνάρτηση STL() στη σειρά με όρισμα robust=TRUE. Τότε, τυχόν ακραίες τιμές θα πρέπει να εμφανιστούν στην σειρά των υπολοίπων.
Τα δεδομένα στο Σχήμα 13.11 δεν έχουν σχεδόν καμία ορατή εποχικότητα, επομένως θα εφαρμόσουμε την STL χωρίς συνιστώσα εποχικότητας, ορίζοντας το period=1.
ah_decomp <- tourism |>filter( Region =="Adelaide Hills", Purpose =="Visiting" ) |># Fit a non-seasonal STL decompositionmodel(stl =STL(Trips ~season(period =1), robust =TRUE) ) |>components()ah_decomp |>autoplot() +labs(x ="Τρίμηνο")
Σχήμα 13.12: Ανάλυση STL των επισκεπτών στην περιοχή Adelaide Hills στη Νότια Αυστραλία, χωρίς συνιστώσα εποχικότητας.
Στο παραπάνω παράδειγμα ήταν εύκολο να εντοπιστεί η ακραία τιμή. Σε πιο δύσκολες περιπτώσεις, θα ήταν χρήσιμη η χρήση ενός boxplot στη σειρά των υπολοίπων. Μπορούμε να αναγνωρίσουμε ως ακραίες τιμές εκείνα τα σημεία που είναι μεγαλύτερα από 1.5 φορά το ενδοτεταρτημοριακό εύρος (IQRs) από το μεσαίο 50% των δεδομένων. Εάν το υπόλοιπο ήταν κανονικά κατανεμημένο, αυτό θα έδειχνε 7 ανά 1000 παρατηρήσεις ως “ακραίες τιμές”. Ένας αυστηρότερος κανόνας είναι να ορίσετε τις ακραίες τιμές ως εκείνες που είναι μεγαλύτερες από 3 φορές το ενδοτεταρτημοριακό εύρος (IQRs) από το μεσαίο 50% των δεδομένων, κάτι που θα έκανε μόνο 1 στις 500000 κανονικά κατανεμημένες παρατηρήσεις να είναι ακραίες τιμές. Αυτός είναι ο κανόνας που προτιμούμε να χρησιμοποιούμε.
Αυτό βρίσκει ένα ακραίο σημείο που υποψιαζόμασταν από το Σχήμα 13.11. Κάτι παρόμοιο θα μπορούσε να εφαρμοστεί στο πλήρες σύνολο δεδομένων για τον εντοπισμό ασυνήθιστων παρατηρήσεων σε άλλες σειρές.
Μη διαθέσιμες τιμές
Οι μη διαθέσιμες τιμές μπορεί να προκύψουν για πολλούς λόγους και αξίζει να εξεταστεί εάν αυτή η έλλειψη θα προκαλέσει στατιστικά σφάλματα στο μοντέλο πρόβλεψης. Για παράδειγμα, ας υποθέσουμε ότι μελετάμε δεδομένα πωλήσεων για ένα κατάστημα και λείπουν οι τιμές για τις δημόσιες αργίες, όπου το κατάστημα είναι κλειστό. Ως εκ τούτου, ενδέχεται η επόμενη ημέρα να παρουσιάσει αύξηση στις πωλήσεις. Αν δεν δώσουμε το απαραίτητο περιθώριο στο μοντέλο πρόβλεψης, πιθανότατα να υποτιμήσουμε τις πωλήσεις την πρώτη ημέρα μετά τις επίσημες αργίες, και θα υπερεκτιμούμε τις πωλήσεις τις επόμενες ημέρες. Ένας τρόπος αντιμετώπισης αυτού του είδους της κατάστασης είναι να χρησιμοποιήσετε ένα μοντέλο δυναμικής παλινδρόμησης, με εικονικές μεταβλητές που να δείχνουν εάν η ημέρα είναι αργία ή ότι είναι η επόμενη ημέρα από αργία. Καμία αυτοματοποιημένη μέθοδος δεν μπορεί να χειριστεί τέτοια επίδραση καθώς εξαρτώνται από το συγκεκριμένο πλαίσιο πρόβλεψης.
Σε άλλες περιπτώσεις, η μη διαθεσιμότητα μπορεί να είναι ουσιαστικά τυχαία. Για παράδειγμα, κάποιος μπορεί να έχει ξεχάσει να καταγράψει τα στοιχεία πωλήσεων ή η συσκευή εγγραφής δεδομένων μπορεί να έχει δυσλειτουργήσει. Εάν δεν υπάρχει πληροφορία για το συγχρονισμό των δεδομένων που λείπουν για το πρόβλημα της πρόβλεψης, τότε τις τιμές που λείπουν μπορούμε να τις διαχειριστούμε πιο εύκολα.
Τέλος, ενδέχεται να καταργήσουμε μερικές ασυνήθιστες παρατηρήσεις, δημιουργώντας έτσι μη διαθέσιμες τιμές στη σειρά.
Ορισμένες μέθοδοι επιτρέπουν την μη διαθεσιμότητα τιμών χωρίς προβλήματα. Για παράδειγμα, η μέθοδος πρόβλεψης naïve συνεχίζει να δουλεύει, με την πιο πρόσφατη τιμή που δεν λείπει, παρέχοντας πρόβλεψη για μελλοντικές χρονικές περιόδους. Ομοίως, οι άλλες μέθοδοι αναφοράς που εισήχθησαν στην Ενότητα 5.2 θα παράγουν όλες προβλέψεις όταν υπάρχουν μη διαθέσιμες τιμές στα ιστορικά δεδομένα. Οι συναρτήσεις του fable για μοντέλα ARIMA, δυναμικά μοντέλα παλινδρόμησης και μοντέλα NNAR θα δουλεύουν, επίσης, σωστά χωρίς να προκαλέσουν σφάλματα. Ωστόσο, άλλες συναρτήσεις μοντελοποίησης δεν χειρίζονται μη διαθέσιμες τιμές, συμπεριλαμβανομένων των ETS() και STL().
Όταν οι τιμές που λείπουν προκαλούν σφάλματα, υπάρχουν τουλάχιστον δύο τρόποι αντιμετώπισης του προβλήματος. Πρώτον, θα μπορούσαμε απλώς να πάρουμε το τμήμα των δεδομένων μετά την τελευταία μη διαθέσιμη τιμή, υποθέτοντας ότι υπάρχει μια αρκετά μεγάλη σειρά παρατηρήσεων για την παραγωγή ουσιαστικών προβλέψεων. Εναλλακτικά, θα μπορούσαμε να αντικαταστήσουμε τις τιμές που λείπουν με εκτιμήσεις. Για να το κάνουμε αυτό, προσαρμόζουμε πρώτα ένα μοντέλο ARIMA στα δεδομένα που περιέχουν τις μη διαθέσιμες τιμές και, στη συνέχεια, χρησιμοποιούμε το μοντέλο για να εκτιμήσουμε με παρεμβολή τις παρατηρήσεις που λείπουν.
Θα αντικαταστήσουμε την ακραία τιμή που προσδιορίστηκε στο Σχήμα 13.12 με μια εκτίμηση χρησιμοποιώντας ένα μοντέλο ARIMA.
ah_miss <- tourism |>filter( Region =="Adelaide Hills", Purpose =="Visiting" ) |># Remove outlying observationsanti_join(outliers) |># Replace with missing valuesfill_gaps()ah_fill <- ah_miss |># Fit ARIMA model to the data containing missing valuesmodel(ARIMA(Trips)) |># Estimate Trips for all periodsinterpolate(ah_miss)ah_fill |># Only show outlying periodsright_join(outliers |>select(-Trips))
# A tsibble: 1 x 9 [?]
# Key: Region, State, Purpose [1]
Region State Purpose Quarter Trips .model trend remainder season_adjust
<chr> <chr> <chr> <qtr> <dbl> <chr> <dbl> <dbl> <dbl>
1 Adelaide Hills South Austr… Visiti… 2002 Q4 8.50 stl 11.1 70.0 81.1
Η συνάρτηση interpolate() χρησιμοποιεί το μοντέλο ARIMA για να εκτιμήσει τυχόν μη διαθέσιμες τιμές στη σειρά. Σε αυτήν την περίπτωση, το ακραίο σημείο στο 81.1 έχει αντικατασταθεί από το 8.5. Η σειρά που προκύπτει παρουσιάζεται στο Σχήμα 13.13.
Τα δεδομένα ah_fill θα μπορούσαν τώρα να μοντελοποιηθούν με μια συνάρτηση που δεν επιτρέπει μη διαθέσιμες τιμές.
Σχήμα 13.13: Αριθμός διανυκτερεύσεων στην περιοχή Adelaide Hills στη Νότια Αυστραλία με την ακραία τιμή το 2002Q4 να έχει αντικατασταθεί χρησιμοποιώντας ένα μοντέλο ARIMA για παρεμβολή.
13.10 Περαιτέρω Μελέτη
Συζητήθηκαν τόσα πολλά και διαφορετικά θέματα σε αυτό το κεφάλαιο, που δεν είναι δυνατόν να επισημάνουμε συγκεκριμένες βιβλιογραφικές αναφορές σε όλα αυτά. Το τελευταίο κεφάλαιο του βιβλιου των Ord κ.ά. (2017) καλύπτει επίσης την “Πρόβλεψη στην πράξη” και εξετάζει άλλα θέματα που μπορεί να ενδιαφέρουν τους αναγνώστες.
Bates, JM, & Granger, CWJ. (1969). The combination of forecasts. Operational Research Quarterly, 20(4), 451–468.
Christou, V, & Fokianos, K. (2015). On count time series prediction. Journal of Statistical Computation and Simulation, 85(2), 357–373.
Clemen, R. (1989). Combining forecasts: a review and annotated bibliography. International Journal of Forecasting, 5(4), 559–583.
Croston, JD. (1972). Forecasting and stock control for intermittent demands. Operational Research Quarterly, 23(3), 289–303.
Ord, JK, Fildes, R, & Kourentzes, N. (2017). Principles of business forecasting (2nd ed.). Wessex Press Publishing Co.
Shenstone, L, & Hyndman, RJ. (2005). Stochastic models underlying Croston’s method for intermittent demand forecasting. Journal of Forecasting, 24(6), 389–402.
Syntetos, AA, & Boylan, JE. (2001). On the bias of intermittent demand estimates. International Journal of Production Economics, 71, 457–466.
Wang, X, Hyndman, RJ, Li, F, & Kang, Y. (2023). Forecast combinations: an over 50-year review. International J Forecasting, 39(4), 1518–1547.