0

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

我目前有兴趣从每日数据中生成长期概率预测（每月或每季度的分辨率很好或首选）。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）传播到例如季度级别，并以这种方式提高准确性。

对于我计划使用先知 + 协变量的日常数据，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看起来普遍很有希望，但我不太确定如何构造预测问题{thief}以得出概率预测。

PS：我发现这个对每小时数据很有帮助的帖子，但我在为日常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-预测每小时以及每天的数据

4

1 回答 1

2

要使用生成概率预测，{thief}您需要将寓言转换为{forecast}样式forecast对象。对象的基本最小结构forecast（以及如何从寓言分布中产生它，可以通过 为先知获得{fable.prophet}）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 包于 2020-12-10 创建(v0.3.0)

然后，您可以使用这些预测结构thief::reconcilethief()来协调它们。

也就是说，目前正在为{fable}. 相关的开发问题在这里：https ://github.com/tidyverts/fabletools/issues/59 协调每日或次日时间到每月和每年的层次结构有一些复杂性，但尚未实施，但目前的原型适用于 >monthly 底部水平。最近在 ISF2020 上的演示介绍了与以下内容的时间和解{fable}：https ://www.youtube.com/watch?v=6D7rNHZ5E-Q&t=1120

值得注意的是，间隔{thief}只是来自较高时间频率的间隔之和。这些间隔不是最优的，因此将不同于由 给出的最优概率预测分布{fable}。

于 2020-12-10T12:16:08.347 回答