Stationäre ZeitreihenIch habe eine Zeitreihe (Occ (%ocupation) vs. Zeitstempel cfr. Zeitreihenmodell im Anhang), bei dem die Autokorrelationsfunktion einen langsamen Abfall zeigt, was auf Nichtstationarität hinweist, der ADF-Test jedoch alle negativ ist, was auf eine stationäre Occ-Zeitreihe hinweist. Welches Kriterium ist richtig? Ich erhalte extrem gute Ergebnisse sowohl mit ARMA- als auch mit ARIMA-Modellen (differenziert). Kann ich ein nicht differenziertes (4,2) ARMA-Modell unter Berücksichtigung der langsam abklingenden Autokorrelationsfunktion als zuverlässig beurteilen? Oder ist eine Differenzierung nötig? Anmerkung: Erst nach zwei Differenzierungsoperationen werden ACF und PCF ähnlich, was auf Stationarität hinweist. Herzliche Grüße Frank
Betreff: Stationäre ZeitreihenHallo, vielen Dank für deinen Beitrag. Zu Ihrer Information, ich verwende die JMP 13.1-Version.
Tatsächlich sind die täglichen Muster unterschiedlich. Meinen Sie damit, dass man, wenn die Muster für jeden Tag charakteristisch (wie ein Fingerabdruck) wären, nach der Differenzierung ein prädiktives Zeitreihenmodell für jeden Tag erstellen kann? Leider können die täglichen Abläufe z. B. durch einen Feiertag gestört werden, sodass ich denke, dass dies nicht immer funktionieren wird?
Ich habe mehrere Simulationen mit einem Testset (alle neuen Daten) durchgeführt und meine einfachen ARMA (4,2)-Modellvorhersagen funktionieren maximal 45 Minuten lang einwandfrei, danach zeigen sich starke Abweichungen, obwohl Trends beibehalten werden.
Ich habe ein Problem mit der gespeicherten Vorhersageformel: Sie wird nicht in der letzten Spalte meines ursprünglichen Datenblatts gespeichert (wie im JMP-Tutorial angegeben), sondern in einem neuen „unbetitelten“ Datenblatt? Kommt Ihnen das auch vor? Was bedeutet die Vorhersageformel selbst? () - (Zahl) Was bedeutet diese Zahl? Kann sie sich von der Zahl oben in der Gleichung unterscheiden? Grüße, Frank
Betreff: Stationäre ZeitreihenEs tut mir leid, dass ich keine Zeit habe, eine detaillierte Lösung vorzuschlagen.Aber ich hoffe, dass dies ein paar Hinweise liefert:
- Der Tagesablauf am Sonntag unterscheidet sich deutlich von dem an den anderen Wochentagen, und Freitag und Samstag sind die Nutzung deutlich höher.
- Ich würde versuchen, einen Zyklus pro Tag zu erstellen und ein Abweichungsmodell (Zyklen entfernt) zu verwenden.
- Ich würde wahrscheinlich eine einstellbare Glättung verwenden. Ich hatte viel Glück mit Trigg & Leech-Methoden, die das Lambda anpassen, wenn die Abweichungen groß sind, damit es aufholen kann.
Natürlich werden Ihre RSQuadrate größer sein als bei einer echten Vorhersage, da Sie alle Daten verwenden. Möglicherweise möchten Sie einen ähnlichen Ansatz wie bei Kontrollkarten wählen.Sie nehmen sich einen frühen Zeitraum, um das Basismuster, das Modell, zu erstellen, und verwenden dieses Modell dann für den verbleibenden Zeitraum, und der wahre RSquare basiert auf den Residuen der tatsächlichen – vorhergesagten Daten, die nicht im Modell enthalten sind.
Abschließend würde ich einen Monitor, ein Kontrolldiagramm, einsetzen, um zu kennzeichnen, wenn das Modell keine sehr guten Vorhersagen mehr liefert, insbesondere wenn Sie eine schnelle Reaktion auf eine eskalierende Nutzung benötigen.
Sie sollten angeben, welche Version von JMP oder JMP PRO und welches Betriebssystem. Es gibt einige neue Plattformen und Methoden für diese Art von „Prozess“, die möglicherweise nützlicher sind als Zeitreihen.
Betreff: Stationäre ZeitreihenHallo, vielen Dank für Ihren Kommentar und Ihre Bemühungen, die durchschnittliche Entwicklung zu verdeutlichen. Das ungewöhnliche Raumbelegungsmuster ist tatsächlich Halloween.
Das Ziel unserer Studie besteht darin, die Raumbelegung in den nächsten 15 bis 60 Minuten vorherzusagen. Daher müssen wir innerhalb der 15-Minuten-Verzögerungsintervalle bleiben und versuchen, ein zuverlässiges Zeitreihenmodell zu erstellen. Sie erwähnen richtig, dass es starke Tageszyklen gibt, also gehe ich davon aus, dass saisonale Unterschiede notwendig sind? Allerdings verschwindet die Saisonalität auch bei mehreren Gelegenheiten nicht, was wirklich verwirrend ist. Noch überraschender ist, dass alle von mir überprüften Modelle – ob unterschiedlich oder nicht – einen R² von > 99 % liefern! Zu schön um wahr zu sein. Stimmt an dieser Analyse hier etwas grundsätzlich nicht?
Betreff: Stationäre Zeitreihenhttps://en.wikipedia.org/wiki/Augmented_Dickey%E2%80%93Fuller_test besagt, dass " Die im Test verwendete erweiterte Dickey-Fuller-Statistik (ADF) ist eine negative Zahl. Je negativer es ist, desto stärker ist die Ablehnung der Hypothese, dass es eine Einheitswurzel gibt ...“ Der Zero Mean ADF ist nicht signifikant, aber das liegt wahrscheinlich an den täglichen Zyklen in Ihren Daten.
Ich habe Spalten für Datum, Wochentag und Tageszeit hinzugefügt. Nachfolgend finden Sie ein Variabilitätsdiagramm des OCC nach Wochentag und Tageszeit.Die schwarze Linie ist das mittlere Muster für jeden Wochentag.Hinweis: Der 01.11.2018 hatte ein ungewöhnliches Muster (Tag nach Halloween).
Betreff: Stationäre ZeitreihenZusätzlich zu meiner obigen Frage habe ich ein Problem mit dem Speicherort der gespeicherten Vorhersageformel. Ich würde erwarten, dass es in der letzten Spalte meines Datenblatts gespeichert wird, wie es bei anderen Modellen der Fall ist. Hier wird bei der Zeitreihenanalyse das Modell in einem neuen „Unbenannten“ Datenblatt gespeichert? Lässt sich das anpassen?
