常见时序预测模型的R实现 三

ETS模型

接下来说说ETS模型，在R的forecast库中有实现。

> library(fpp2)
Loading required package: forecast
Loading required package: fma
Loading required package: expsmooth
Loading required package: ggplot2

作者Rob Hyndman是个H-index 54，citation过两万的大牛。他故意用这三个字母来使这个模型的名字能顾名思义(reminiscent)，既可以理解为Error, Trend and Seasonality，又可以解作ExponenTial Smoothing模型。前者揭示了模型的三个组成部分，后者则描述了模型的工作原理。准确的说，ETS实际上是一整个系列的算法，可以基于这三个组成部分任意组合，而Hyndman写的forecast库中可以用ets()方法自动选择三个component的组合。

之所以要从这个模型写起，是因为这个模型既足够强大，又足够简明。它可以预测以下几种时间序列：

• 无趋势(trend)，无季节性(seasonality) 比如我上个月跑了十次5公里，根据这十次时间估计我接下来一次要跑多久
• 有趋势，无季节性 比如我刚开始学打字，一开始打1000个词要4个小时，以后随着熟练程度递减，预测下一次时间
• 有趋势，有季节性 比如零售业的销售数据，趋势体现的可能是整个行业的冷暖，季节性则跟气温、假日有关
• 无趋势，有季节性 比如近十年某地气温的变化，十年这样的短周期里也许体现不出大的趋势变化，但季节性是显著的

不仅如此，由于它的error component既可以是additive的又可以是multiplicative的，它还能预测有季节性且在每个周期内幅度有变化的序列。比如电力供应，由于用的起空调之类制冷设备的家庭变多了，季节性的振幅可能是逐渐递增的。

最简单的ETS

最简单的ETS是ses模型，即simple exponential smoothing。这个模型只能解决没趋势也没季节性的时序。它的公式如下：