高频时间序列模型的拟合及短期预测

Question

我有一个值的时间序列，频率相当高(15分钟)。timeseries没有缺少值，并显示了一些每日和每周的周期性组件。

我试图在R中使用fable对其建模，但我似乎找不到任何像样的结果，我想知道我是否做错了什么。

下面是我的代码，使用一个可以下载的示例数据集：

library(tsibble)
library(fable)
library(dplyr)
library(lubridate)

download.file("https://srv-file7.gofile.io/download/9yo0cg/so_data.csv", destfile = "so_data.csv", method = "wget")
csv = read.csv("so_data.csv") %>%
    mutate(time = ymd_hms(time)) %>%
    as_tsibble(index = time)

# Take a look
csv %>% summary
csv %>% autoplot

这是时间序列：

正如你所看到的，它是相当有规律的，有很好的日常周期。让我们尝试使用一些模型的默认设置对其进行建模：

csv %>%
    model(
        ets = ETS(value),
        arima = ARIMA(value),
        snaive = SNAIVE(value)
    ) %>%
    forecast(h = "1 week") %>%
    autoplot(csv)

所有的人都失败得很：

​

我对这个过程的理解有限，这显然是错误的，在这种情况下，默认值是没有用的。然而，我试着调整它们，不幸的是，我无法捕捉到更好的东西。总之，由于我是这一领域的一名菜鸟，我不明白这是否是由于：

• 我没有设置适当的默认参数(我应该深入研究fable的参考书)。
• 我所掌握的有限数据(短时间序列，仅几个月)
• 不适用于快速变化的数据的方法(每日和每周循环模式)
• 我代码中的问题

Answer 1

您的15分钟频率数据显示了多种季节性模式。这些模型产生了糟糕的质量预测，因为它们不是为了捕捉这些模式而设计的(所以它们不是)。

您的代码看起来很好，并且(在视觉上)数据似乎有一个合适的模型应该捕获的强大模式。

目前有两个更复杂的模型，与寓言工作，应该能够捕捉多个季节模式，给你更好的预测。它们是：

• FASSTER (https://github.com/tidyverts/fasster)
• 寓言界面的先知(https://github.com/facebook/prophet) (https://github.com/mitchelloharawild/fable.prophet/)