ETS () функция, как избежать прогноза не в соответствии с историческими данными?

Я работаю над алгоритмом в R для автоматизации расчета ежемесячного прогноза. Я использую, среди прочего, функцию ets () из пакета прогноза для расчета прогноза. Это работает очень хорошо.

К сожалению, для какого-то определенного временного ряда результат, который я получаю, странный.

Пожалуйста, найдите ниже код, который я использую:

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')   

Пожалуйста, вы найдете ниже соответствующий набор данных истории:

 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)

Здесь, на графике, вы увидите исторические данные (черный), подогнанное значение (зеленый) и прогноз (синий). Прогноз определенно не соответствует установленному значению.

Есть ли у вас какие-либо идеи о том, как «связать» прогноз с тем, чтобы «соответствовать» историческим продажам?

Как отметил @forecaster, это вызвано выбросами в конце ряда. Вы можете ясно увидеть проблему, если вы нанесете компонент оценки уровня сверху:

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

Обратите внимание на повышение уровня в конце серии.

Один из способов сделать модель более устойчивой к выбросам - это уменьшить пространство параметров, чтобы параметры сглаживания принимали меньшие значения:

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

Это учебник в случае выбросов в конце ряда и его непреднамеренными последствиями. Проблема с вашими данными в том, что последние две точки являются выбросами , вы можете определить и обработать выбросы, прежде чем запускать алгоритмы прогнозирования. Позже сегодня я обновлю свой ответ и анализ некоторых стратегий для выявления выбросов. Ниже приведено быстрое обновление.

Когда я выполняю повторный анализ с удалением последних двух точек данных, я получаю разумный прогноз. Пожалуйста, смотрите ниже:

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)

@forecasterВы правы, что последнее значение является выбросом, НО periood 38 (предпоследнее значение) не является выбросом, если принять во внимание тенденции и сезонную активность. Это определяющий / обучающий момент для тестирования / оценки альтернативных надежных подходов. Если вы не выявите и не откорректируете аномалии, тогда разница будет завышена, и другие элементы не будут найдены. Период 32 также является выбросом. Периоды 3,32 и 1 также являются выбросами. Существует статистически значимая тенденция в ряду для первых 17 значений, но затем она уменьшается, начиная с периода 18. Таким образом, в данных действительно есть две тенденции. Урок, который следует усвоить здесь, заключается в том, что простые подходы, которые не предполагают наличия тренда или конкретной формы тренда и / или молчаливо предполагают, что конкретная форма авторегрессивного процесса, должны подвергаться серьезному сомнению. Чтобы продвинуться вперед в хорошем прогнозе, необходимо рассмотреть возможное продолжение исключительной активности, найденной в конечной точке (период 39). Это невозможно извлечь из данных.

Это, возможно, полезная модель:

Итоговая статистика доступна здесь . График Actual / Fit и Forecast интересен тем, что подчеркивает исключительную активность.