R语言中使用多重聚合预测算法（MAPA）进行时间序列分析

原文链接：http://tecdat.cn/?p=10016

这是一个简短的演示，可以使用该代码进行操作。使用_MAPA_生成预测。

> mapasimple(admissions)
     t+1      t+2      t+3      t+4      t+5      t+6      t+7      t+8      t+9     t+10     t+11     t+12
457438.0 446869.3 450146.7 462231.5 457512.8 467895.1 457606.0 441295.7 471611.2 454282.0 458308.0 453472.5

这提供了序列和预测的简单图解：每个时间预测状态的详细视图：

在此示例中，我还使用了_paral = 2_。创建一个并行集群，然后关闭该集群。如果已经有并行集群在运行，则可以使用_paral = 1_。

时间聚合的不同级别上的估计和预测。

第一估计模型在每个时间聚合级别的拟合度，还提供已识别_ETS_组件的可视化。 第二提供样本内和样本外预测。

通过在上述任何函数中设置_outplot = 0_来停止绘制输出。这些函数还有更多选项，可以设置最大时间聚合级别，MAPA组合的类型等。

第一个是在所有聚合级别上强制使用特定的指数平滑模型。

点击标题查阅往期内容

Python用广义加性模型GAM进行时间序列分析

01

02

03

04

在这种情况下，将非季节性阻尼趋势模型拟合到时间序列。由于MAPA不能再在模型之间进行更改并选择一个简单的模型，因此对于给定系列的汇总版本，预选模型可能具有太多的自由度。此外，如果选择了季节性模型，则对于具有非整数季节性的任何聚合级别，将拟合该模型的非季节性版本。 另一个新选项是能够计算经验预测间隔。由于这些都需要模拟预测以进行计算，因此它们的计算量很大。要获得80％，90％，95％和99％的预测：

> mapa(admissions,conf.lvl=c(0.8,0.9,0.95,0.99),paral=2)