Statistiques et Big Data forecasting

1

Quand utiliser le lissage exponentiel vs ARIMA?

J'ai récemment actualisé mes connaissances en prévision en travaillant sur certaines prévisions mensuelles au travail et en lisant le livre de Rob Hyndman, mais le seul problème que je rencontre est le moment d'utiliser un modèle de lissage exponentiel par rapport à un modèle ARIMA. Existe-t-il une règle générale selon …

12 forecasting arima exponential-smoothing

3

Élaboration d'un modèle de série chronologique approprié pour prédire les ventes en fonction de l'enregistrement du mois dernier

J'exploite une entreprise en ligne depuis deux ans de suite, j'ai donc mes données de ventes mensuelles depuis environ deux ans. Mon entreprise pour chaque mois est certainement affectée par le swing saisonnier (se comporte mieux à Noël, etc.), et probablement par d'autres facteurs que je ne connais pas. Afin …

12 time-series forecasting

2

Prévision de séries chronologiques horaires avec périodicité quotidienne, hebdomadaire et annuelle

Édition majeure: Je voudrais dire un grand merci à Dave et Nick jusqu'à présent pour leurs réponses. La bonne nouvelle est que j'ai réussi à faire fonctionner la boucle (principe emprunté à la publication du professeur Hydnman sur la prévision par lots). Pour consolider les requêtes en attente: a) Comment …

12 forecasting arima predictor seasonality multiple-seasonalities

1

Analyse factorielle dynamique vs modèle d'espace d'état

Le package MARSS en R offre une fonction pour l'analyse factorielle dynamique. Dans ce package, le modèle de facteur dynamique est écrit comme une forme spéciale de modèle d'espace d'état et ils supposent que les tendances communes suivent le processus AR (1). Comme je ne connais pas très bien ces …

12 r time-series forecasting factor-analysis state-space-models

2

Les modèles de séries chronologiques de différence logarithmique sont-ils meilleurs que les taux de croissance?

Souvent, je vois des auteurs estimer un modèle de «différence logarithmique», par exemple Journal( yt) - journal( yt - 1) = log( yt/ yt - 1) = α + βXtJournal⁡(yt)-Journal⁡(yt-1)=Journal⁡(yt/yt-1)=α+βXt\log (y_t)-\log(y_{t-1}) = \log(y_t/y_{t-1}) = \alpha + \beta x_t Je conviens que cela est approprié pour relier à une variation en …

12 time-series forecasting data-transformation econometrics logarithm

3

Comment gérer les données inexistantes ou manquantes?

J'ai essayé une méthode de prévision et je veux vérifier si ma méthode est correcte ou non. Mon étude compare différents types de fonds communs de placement. Je veux utiliser l'indice GCC comme référence pour l'un d'entre eux mais le problème est que l'indice GCC s'est arrêté en septembre 2011 …

12 time-series forecasting missing-data

1

Quand dois-je arrêter de chercher un modèle?

Je recherche un modèle entre les cours de l'énergie et la météo. J'ai le prix du MWatt acheté entre les pays d'Europe, et beaucoup de valeurs sur la météo (fichiers Grib). Chaque heure sur une période de 5 ans (2011-2015). Prix / jour C'est par jour pendant un an. J'ai …

11 time-series forecasting predictive-models modeling large-data

1

Que dois-je faire lorsque les valeurs de l'AIC sont faibles et approximativement égales?

Chris Chatfield, dont j'ai apprécié la lecture de nombreux livres et articles de qualité, dans (1) donne les conseils suivants: Par exemple, le choix entre les modèles de séries chronologiques ARIMA avec des valeurs AIC faibles et approximativement égales devrait probablement être fait, non pas sur celui qui donne l'AIC …

11 forecasting model-selection arima aic

1

R / mgcv: Pourquoi les produits tenseurs te () et ti () produisent-ils des surfaces différentes?

Le mgcvpackage pour Ra deux fonctions pour ajuster les interactions des produits tensoriels: te()et ti(). Je comprends la division de base du travail entre les deux (ajustement d'une interaction non linéaire vs décomposition de cette interaction en effets principaux et interaction). Ce que je ne comprends pas, c'est pourquoi te(x1, …

11 r gam mgcv conditional-probability mixed-model references bayesian estimation conditional-probability machine-learning optimization gradient-descent r hypothesis-testing wilcoxon-mann-whitney time-series bayesian inference change-point time-series anova repeated-measures statistical-significance bayesian contingency-tables regression prediction quantiles classification auc k-means scikit-learn regression spatial circular-statistics t-test effect-size cohens-d r cross-validation feature-selection caret machine-learning modeling python optimization frequentist correlation sample-size normalization group-differences heteroscedasticity independence generalized-least-squares lme4-nlme references mcmc metropolis-hastings optimization r logistic feature-selection separation clustering k-means normal-distribution gaussian-mixture kullback-leibler java spark-mllib data-visualization categorical-data barplot hypothesis-testing statistical-significance chi-squared type-i-and-ii-errors pca scikit-learn conditional-expectation statistical-significance meta-analysis intuition r time-series multivariate-analysis garch machine-learning classification data-mining missing-data cart regression cross-validation matrix-decomposition categorical-data repeated-measures chi-squared assumptions contingency-tables prediction binary-data trend test-for-trend matrix-inverse anova categorical-data regression-coefficients standard-error r distributions exponential interarrival-time copula log-likelihood time-series forecasting prediction-interval mean standard-error meta-analysis meta-regression network-meta-analysis systematic-review normal-distribution multiple-regression generalized-linear-model poisson-distribution poisson-regression r sas cohens-kappa

1

Ajustements aux prévisions (de régression linéaire)

Divulgation complète: je ne suis pas statisticien et je ne prétends pas l'être. Je suis un administrateur informatique modeste. Veuillez jouer doucement avec moi. :) Je suis responsable de la collecte et de la prévision de l'utilisation du stockage sur disque pour notre entreprise. Nous collectons mensuellement notre utilisation du …

11 regression forecasting adjustment

4

Évaluation de la prévisibilité des séries chronologiques

Supposons que j'ai un peu plus de 20 000 séries chronologiques mensuelles s'étendant de janvier 2005 à décembre 2011. Chacun d'eux représente les données de ventes mondiales pour un produit différent. Et si, au lieu de calculer des prévisions pour chacun d'entre eux, je voulais me concentrer uniquement sur un …

11 time-series forecasting forecastability

1

À quoi fait référence le terme «a priori clairsemé» (FBProphet Paper)?

En lisant l'article "Prévision à grande échelle" (outil de prévision FBProphet, voir https://peerj.com/preprints/3190.pdf ), je suis tombé sur le terme "clairsemé avant". Les auteurs expliquent qu'ils utilisaient un tel "a priori clairsemé" pour modéliser un vecteur d'écarts de taux δδ\mathbf{\delta} rapport à un certain taux scalaire kkk , qui est …

11 regression bayesian forecasting

5

Comment corriger les valeurs aberrantes une fois détectées pour la prévision des données de séries chronologiques?

J'essaie de trouver un moyen de corriger les valeurs aberrantes une fois que je les ai trouvées / détectées dans les données de séries chronologiques. Certaines méthodes, comme nnetar dans R, donnent des erreurs pour les séries temporelles avec des valeurs aberrantes grandes / grandes. J'ai déjà réussi à corriger …

10 time-series forecasting outliers winsorizing

1

Interprétation de la décomposition des séries chronologiques à l'aide de TBATS à partir du package de prévisions R

Je voudrais décomposer les données de séries chronologiques suivantes en composantes saisonnières, tendancielles et résiduelles. Les données sont un profil énergétique de refroidissement horaire d'un bâtiment commercial: TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81) plot(TotalCoolingForDecompose.ts) Il y a donc des effets saisonniers quotidiens et hebdomadaires évidents, basés sur les conseils de: Comment …

10 r time-series forecasting multiple-seasonalities tbats

1

Régression forestière aléatoire pour la prédiction de séries chronologiques

J'essaie d'utiliser la régression RF pour faire des prédictions sur les performances d'une papeterie. J'ai des données minute par minute pour les intrants (taux et quantité de pâte de bois entrant dans etc ...) ainsi que pour les performances de la machine (papier produit, puissance tirée par la machine) et …

10 time-series forecasting cross-validation random-forest autoregressive

Questions marquées «forecasting»