Функція ETS (), як уникнути прогнозу, який не відповідає історичним даним?

Я працюю над алогоритмом R, щоб автоматизувати щомісячний розрахунок прогнозу. Я використовую, серед іншого, функцію ets () з пакету прогнозів для обчислення прогнозу. Це працює дуже добре.

На жаль, для деяких конкретних часових рядів результат, який я отримую, дивний.

Будь ласка, знайдіть нижче код, який я використовую:

train_ts<- ts(values, frequency=12)
fit2<-ets(train_ts, model="ZZZ", damped=TRUE, alpha=NULL, beta=NULL, gamma=NULL, 
            phi=NULL, additive.only=FALSE, lambda=TRUE, 
            lower=c(0.0001,0.0001,0.0001,0.8),upper=c(0.9999,0.9999,0.9999,0.98), 
            opt.crit=c("lik","amse","mse","sigma","mae"), nmse=3, 
            bounds=c("both","usual","admissible"), ic=c("aicc","aic","bic"),
            restrict=TRUE)  
ets <- forecast(fit2,h=forecasthorizon,method ='ets')   

Нижче ви знайдете відповідний набір даних історії:

 values <- c(27, 27, 7, 24, 39, 40, 24, 45, 36, 37, 31, 47, 16, 24, 6, 21, 
35, 36, 21, 40, 32, 33, 27, 42, 14, 21, 5, 19, 31, 32, 19, 36, 
29, 29, 24, 42, 15, 24, 21)

Тут, на графіку, ви побачите історичні дані (чорний), встановлене значення (зелений) та прогноз (синій). Прогноз, безумовно, не відповідає рядкам із заданим значенням.

Чи маєте ви якесь уявлення про те, як «прив’язати» випадок, щоб він «відповідав» історичним продажам?

Як зазначав @forecaster, це спричинено випускниками в кінці серії. Ви можете чітко побачити проблему, якщо розмістити орієнтовний компонент рівня вгорі:

plot(forecast(fit2))
lines(fit2$states[,1],col='red')

Зверніть увагу на підвищення рівня в кінці серії.

Один із способів зробити модель більш надійною для людей, що вижили, - зменшити простір параметрів, щоб параметри згладжування мали приймати менші значення:

fit2 <- ets(train_ts, upper=c(0.3,0.2,0.2,0.98))  
plot(forecast(fit2))

Це випадок з підручника, що має в кінці серії випускники та її непередбачувані наслідки. Проблема з вашими даними полягає в тому, що останні два моменти - це колишні люди , ви можете ідентифікувати та лікувати людей, які не працюють, перш ніж запускати алгоритми прогнозування. Пізніше сьогодні я оновлю свою відповідь та аналіз щодо деяких стратегій для виявлення людей, що не існують. Нижче наведено швидке оновлення.

Коли я повторно працюю з видаленими останніми двома точками, я отримую розумний прогноз. Дивіться нижче:

values.clean <- c(27, 27, 7, 24, 39, 40, 24, 45, 36, 37, 31, 47, 16, 24, 6, 21, 
                  35, 36, 21, 40, 32, 33, 27, 42, 14, 21, 5, 19, 31, 32, 19, 36, 
                  29, 29, 24, 42, 15)## Last two points removed

train_ts.clean<- ts(values.clean, frequency=12)
fit2.clean<-ets(train_ts.clean)  
ets.f.clean <- forecast(fit2.clean,h=24)
plot(ets.f.clean)

@forecasterви правильні, що останнє значення - це позарядний АЛЕ періоді 38 (передостаннє значення) - це не більше, якщо враховувати тенденції та сезонну активність. Це визначальний / навчальний момент для тестування / оцінки альтернативних надійних підходів. Якщо ви не визначите та не підкоригуєте аномалії, то дисперсія буде завищена, через що інші елементи не будуть знайдені. Період 32 також є чужим. Періоди 3,32 та 1 також є атрибутами. Існує статистично значуща тенденція в серії для перших 17 значень, але вона знижується після цього, починаючи з періоду 18. Отже, в даних дійсно є дві тенденції. Урок, який слід засвоїти, полягає в тому, що прості підходи, які не передбачають жодної тенденції чи певної форми тренду та / або мовчазно передбачають певну форму авторегресивного процесу, потребують серйозного сумніву. Для досягнення гарного прогнозу слід врахувати можливе продовження виняткової діяльності, що виявляється в кінцевій точці (період 39). Витягнути це з даних неможливо.

Це, можливо, корисна модель:

Кінцева статистика моделі наведена тут. Графік фактичного / відповідного та прогнозування цікавий тим, що підкреслює виняткову активність.