当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


R HoltWinters 霍尔特-温特斯过滤


R语言 HoltWinters 位于 stats 包(package)。

说明

计算给定时间序列的 Holt-Winters 过滤。通过最小化预测误差平方来确定未知参数。

用法

HoltWinters(x, alpha = NULL, beta = NULL, gamma = NULL,
            seasonal = c("additive", "multiplicative"),
            start.periods = 2, l.start = NULL, b.start = NULL,
            s.start = NULL,
            optim.start = c(alpha = 0.3, beta = 0.1, gamma = 0.1),
            optim.control = list())

参数

x

ts 类的对象

alpha

Holt-Winters过滤器的 参数。

beta

Holt-Winters过滤器的 参数。如果设置为 FALSE ,该函数将进行指数平滑。

gamma

用于季节性分量的参数。如果设置为 FALSE ,则拟合非季节性模型。

seasonal

用于选择 "additive"(默认)或 "multiplicative" 季节性模型的字符串。前几个字符就足够了。 (仅当gamma非零时才生效)。

start.periods

用于自动检测起始值的起始周期。必须至少为 2。

l.start

级别的起始值 (a[0])。

b.start

趋势的起始值 (b[0])。

s.start

季节性分量的起始值向量 ( )

optim.start

具有命名组件 alphabetagamma 的向量,其中包含优化器的起始值。仅必须指定所需的值。在单参数情况下被忽略。

optim.control

如果使用的话,带有传递到optim 的附加控制参数的可选列表。在单参数情况下被忽略。

细节

加法 Holt-Winters 预测函数(对于周期长度为 p 的时间序列)为

其中 由下式给出

乘法 Holt-Winters 预测函数(对于周期长度为 p 的时间序列)为

其中 由下式给出

对于乘法模型,x 中的数据必须非零,但如果它们全部为正则最有意义。

如果 和/或 和/或 NULL(默认值),则该函数尝试通过最小化平方一步预测误差来找到它们的最佳值。 optimize 将用于单参数情况,否则使用 optim

对于季节性模型,abs 的起始值是通过使用移动平均值(请参阅函数 decompose)对 start.periods 第一个周期(a趋势分量的简单线性回归用于起始水平和趋势)。对于水平/趋势模型(无季节性成分),ab 的起始值分别为 x[2]x[2] - x[1] 。对于仅级别模型(普通指数平滑),a 的起始值为 x[1]

"HoltWinters" 的对象,包含组件的列表:

fitted

多个时间序列,其中一列用于过滤序列以及水平、趋势和季节性成分,同时估计(即在时间 t 而非序列末尾)。

x

原创系列

alpha

用于过滤的 alpha

beta

用于过滤的 beta

gamma

用于过滤的伽玛

coefficients

具有命名组件 a, b, s1, ..., sp 的向量,其中包含水平、趋势和季节性组件的估计值

seasonal

指定的seasonal参数

SSE

优化中最终获得的误差平方和

call

使用的调用

例子


require(graphics)

## Seasonal Holt-Winters
(m <- HoltWinters(co2))
plot(m)
plot(fitted(m))

(m <- HoltWinters(AirPassengers, seasonal = "mult"))
plot(m)

## Non-Seasonal Holt-Winters
x <- uspop + rnorm(uspop, sd = 5)
m <- HoltWinters(x, gamma = FALSE)
plot(m)

## Exponential Smoothing
m2 <- HoltWinters(x, gamma = FALSE, beta = FALSE)
lines(fitted(m2)[,1], col = 3)

作者

David Meyer David.Meyer@wu.ac.at

参考

C. C. Holt (1957) Forecasting seasonals and trends by exponentially weighted moving averages, ONR Research Memorandum, Carnegie Institute of Technology 52. (reprint at doi:10.1016/j.ijforecast.2003.09.015).

P. R. Winters (1960). Forecasting sales by exponentially weighted moving averages. Management Science, 6, 324-342. doi:10.1287/mnsc.6.3.324.

也可以看看

predict.HoltWintersoptim

相关用法


注:本文由纯净天空筛选整理自R-devel大神的英文原创作品 Holt-Winters Filtering。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。