原文链接：http://tecdat.cn/?p=10016
这是一个简短的演示，可以使用该代码进行操作。使用_MAPA_生成预测。
> mapasimple(admissions)
t+1 t+2 t+3 t+4 t+5 t+6 t+7 t+8 t+9 t+10 t+11 t+12
457438.0 446869.3 450146.7 462231.5 457512.8 467895.1 457606.0 441295.7 471611.2 454282.0 458308.0 453472.5
这提供了序列和预测的简单图解：每个时间预测状态的详细视图：
在此示例中，我还使用了_paral = 2_。创建一个并行集群，然后关闭该集群。如果已经有并行集群在运行，则可以使用_paral = 1_。
时间聚合的不同级别上的估计和预测。
第一估计模型在每个时间聚合级别的拟合度，还提供已识别_ETS_组件的可视化。 第二提供样本内和样本外预测。
通过在上述任何函数中设置_outplot = 0_来停止绘制输出。这些函数还有更多选项，可以设置最大时间聚合级别，MAPA组合的类型等。
第一个是在所有聚合级别上强制使用特定的指数平滑模型。
点击标题查阅往期内容
左右滑动查看更多
在这种情况下，将非季节性阻尼趋势模型拟合到时间序列。由于MAPA不能再在模型之间进行更改并选择一个简单的模型，因此对于给定系列的汇总版本，预选模型可能具有太多的自由度。此外，如果选择了季节性模型，则对于具有非整数季节性的任何聚合级别，将拟合该模型的非季节性版本。 另一个新选项是能够计算经验预测间隔。由于这些都需要模拟预测以进行计算，因此它们的计算量很大。要获得80％，90％，95％和99％的预测：
> mapa(admissions,conf.lvl=c(0.8,0.9,0.95,0.99),paral=2)
点击文末“阅读原文”
获取全文完整资料。
本文选自《R语言中使用多重聚合预测算法（MAPA）进行时间序列分析》。
点击标题查阅往期内容
文章转载自拓端数据部落，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。
