Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Algoritma Rata-rata Bergerak Terpadu Autoregressive (ARIMA)
Rata-rata Pergerakan Terpadu Autoregressive (ARIMAPackage 'forecast'
dari Comprehensive R Archive Network (CRAN).
Cara Kerjanya
Algoritma ARIMA sangat berguna untuk dataset yang dapat dipetakan ke seri waktu stasioner. Sifat statistik dari seri waktu stasioner, seperti autocorrelations, tidak bergantung pada waktu. Set data dengan seri waktu stasioner biasanya berisi kombinasi sinyal dan kebisingan. Sinyal mungkin menunjukkan pola osilasi sinusoidal atau memiliki komponen musiman. ARIMA bertindak seperti filter untuk memisahkan sinyal dari kebisingan, dan kemudian ekstrapolasi sinyal di masa depan untuk membuat prediksi.
ARIMA Hyperparameters dan Tuning
Untuk informasi tentang ARIMA hyperparameters dan tuning, lihatArima
dokumentasi fungsi diPaket 'perkiraan'
Amazon ForecastDataFrequency
parameter yang ditentukan dalamCreateDatasetoperasi kefrequency
parameter RTS
DataFrequency (string) | R ts frekuensi (integer) |
---|---|
Y | 1 |
M | 12 |
W | 52 |
D | 7 |
H | 24 |
30 menit | 2 |
15 menit | 4 |
10 menit | 6 |
5 menit | 12 |
1 menit | 60 |
Untuk frekuensi kurang dari 24 atau seri waktu singkat, hyperparameters diatur menggunakanauto.arima
fungsiPackage 'forecast'
dariCRAN
Frekuensi data yang didukung yang tidak dalam tabel default ke ats
frekuensi 1.