时间序列分析实战(四):Holt-Winters建模及预测

简介: 时间序列分析实战(四):Holt-Winters建模及预测

1 目的

  该篇文章主要展示针对时序进行Holt-Winters建模,案例数据同 时间序列分析实战(三):时序因素分解法:某欧洲小镇1963年1月至1976年12月每月旅馆入住的房间数构成时间序列x t x_txt

2 Holt-Winters三参数指数平滑乘法模型

  通过上一篇 Blog 知道该时序数据具有季节效应,并且具有长期趋势,考虑首先建立Holt-Winters三参数指数平滑乘法模型:x_t=[a(t-1)+b(t)]c(t)

  运行程序:

fit1=HoltWinters(data1,seasonal = "mult")
fit1

  运行结果:

## Holt-Winters exponential smoothing with trend and multiplicative seasonal component.
## 
## Call:
## HoltWinters(x = data1, seasonal = "mult")
## 
## Smoothing parameters:
##  alpha: 0.01567674
##  beta : 0.008068444
##  gamma: 0.4392594
## 
## Coefficients:
##            [,1]
## a   875.5123349
## b     1.9568538
## s1    0.9301067
## s2    0.8613974
## s3    0.8741871
## s4    0.9798006
## s5    0.9624445
## s6    1.0964284
## s7    1.2846348
## s8    1.3110818
## s9    1.0004965
## s10   0.9987417
## s11   0.8628932
## s12   0.9793806

  基于R最优拟合原则得到平滑系数α \alphaα=0.01567674,β \betaβ=0.008068444,γ \gammaγ=0.4392594。经迭代得到三个参数的最后迭代值:a ( t ) a(t)a(t)=875.5123349,b ( t ) b(t)b(t)=1.9568538,参数c ( t ) c(t)c(t)的最后12个月估计值对应的是12个月的季节指数,见表1。

  该序列向前任意k kk期的预测值为:x^t+k=(875.512+1.967k)Sj,k1

  式中,jt+k期对应的季节。

3 Holt-Winters三参数指数平滑乘法模型预测

  运行程序:

library(forecast)
fore1=forecast::forecast(fit1,h=36)
fore1$mean

  运行结果:

##            Jan       Feb       Mar       Apr       May       Jun       Jul
## 1977  816.1400  757.5353  770.4935  865.4968  852.0489  972.8099 1142.3105
## 1978  837.9810  777.7629  791.0214  888.5047  874.6492  998.5565 1172.4766
## 1979  859.8220  797.9904  811.5493  911.5126  897.2496 1024.3031 1202.6427
##            Aug       Sep       Oct       Nov       Dec
## 1977 1168.3931  893.5675  893.9546  774.0477  880.4578
## 1978 1199.1802  917.0614  917.4073  794.3104  903.4559
## 1979 1229.9674  940.5553  940.8600  814.5731  926.4540

 运行程序:

plot(fore1,lty=2,sub='图1 入住房间数序列Holt-Winters三参数指数平滑预测效果图')
lines(fore1$fitted,col=4)

   运行结果:

图1 Holt-Winters三参数指数平滑乘法模型预测效果


相关文章
|
运维 监控 JavaScript
(ARMS-AIOps)一文教你用Attributor算法实现多维下钻分析
常见的AIOps应用路径为:对监控的各种关键性能指标(KPI)进行实时异常检测;对多维指标进行根源分析,快速下钻到异常维度和元素;基于应用拓扑和实时Trace,实现根因定位;结合CMDB、关联等、构建异常根因上下文,帮助快速修复问题。 作为KPI指标, 往往包含了很多维度和元素,最显而易见的则是对每一个维度的元素都进行实时异常检测。 对于维度组合笛卡尔集数量很长的场景, 该方案的成本则有点难以承受
5111 0
|
数据可视化 语音技术
时间序列分析实战(三):时序因素分解法
时间序列分析实战(三):时序因素分解法
|
机器学习/深度学习 供应链 大数据
【2023Mathorcup大数据】B题 电商零售商家需求预测及库存优化问题 python代码解析
本文提供了2023年MathorCup大数据竞赛B题的电商零售商家需求预测及库存优化问题的Python代码解析,涉及数据预处理、特征工程、时间序列预测、聚类分析以及模型预测性能评价等步骤。
467 0
时间序列分析实战(二):时序的ARMA模型拟合与预测
时间序列分析实战(二):时序的ARMA模型拟合与预测
时间序列分析实战(六):ARIMA乘法(疏系数)模型建模及预测
时间序列分析实战(六):ARIMA乘法(疏系数)模型建模及预测
|
机器学习/深度学习 程序员 数据处理
时间序列分析技巧(一):根据ACF、PACF进行AR、MA、ARMA模型选择
时间序列分析技巧(一):根据ACF、PACF进行AR、MA、ARMA模型选择
时间序列分析实战(十):ARIMAX时序的协整动态模型
时间序列分析实战(十):ARIMAX时序的协整动态模型
|
数据可视化 vr&ar
时间序列分析实战(七):多个变量的ARIMA模型拟合
时间序列分析实战(七):多个变量的ARIMA模型拟合
|
10月前
|
人工智能 自然语言处理 搜索推荐
浪潮信息 Yuan-embedding-1.0 模型登顶MTEB榜单第一名
浪潮信息Yuan-Embedding-1.0模型在C-MTEB评测基准中荣获Retrieval任务第一名,推动中文语义向量技术发展
1444 7
浪潮信息 Yuan-embedding-1.0 模型登顶MTEB榜单第一名
|
数据可视化 vr&ar
【Eviews实战】——ARIMA模型建模
【Eviews实战】——ARIMA模型建模