afd_fc/vorletzte tests.R at master · gordonshamway/afd_fc · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
---
  title: "AFD_Forecast"
author: "Stefan Buchholz"
date: "Monday, June 23, 2014"
output: html_document
---

  einführendes blabal

```{r einlesen der Daten}
daten <- file.choose()
daten <- read.csv(daten, sep=";")
daten$EINSPIELDATUM <- as.Date(daten$EINSPIELDATUM, "%d.%m.%Y")

#Nochmal ohne Wochenenden
library(timeDate)
daten_ow <- daten[isWeekday(daten$EINSPIELDATUM),]
```

```{r Daten einmal plotten}
library(xts)
zoo_ts <- zoo(daten[,-1], order.by=daten$EINSPIELDATUM)
zoo_ts_ow <- zoo(daten_ow[,-1], order.by=daten_ow$EINSPIELDATUM)
plot(zoo_ts_ow)
#schönste Ausgabe
xts_ts <- xts(zoo_ts)
plot.xts(xts_ts)

as.weekly(zoo_ts_ow)

model <- auto.arima(xts_ts)
fc <- forecast(model, n=10)
plot(fc)

#Ausgabe ohne Wochenende
xts_ts_ow <-xts(zoo_ts_ow)
plot.xts(xts_ts_ow)
```

y <- msts(daten_ow, seasonal.periods=c(5,251.25), start=c(2013,9))
fit <- tbats(y)
fc <- forecast(fit,h=10)
plot(fc)

arima_model <- auto.arima(daten_ow)
arima_forecast <- forecast(arima_model, 10)

plot(forecast(daten_ow, robust=TRUE, h=20))
plot(forecast(ets(daten_ow, h=20)))
plot(forecast(auto.arima(daten_ow, h=20)))

plot(forecast(daten_ow))
plot(forecast(auto.arima(daten_ow)),xlim=c(200,300))
accuracy(forecast(auto.arima(daten_ow)))
plot(forecast(arima_model(daten_ow)))
daten_ow_ts <- ts(daten_ow, start=c(9,2013), frequency=5)

xts_daten <- xts(daten$ANZ_AUFTRAEGE, order.by=daten$EINSPIELDATUM)
wtl <- apply.weekly(xts_daten, sum)
test <- auto.arima(wtl)
plot(forecast(test, n=5))

names(wtl) <- "ANZ_AUFTRAEGE"

#mit taeglichen Veränderungen müsste ich die Wochenenden imputen, oder aber auf Wochen gehen um
#die X-Achse ordentlich beschriften zu können.
#es ging auch nicht mit wochentlichen daten, es scheint ein funktionsproblem zu sein.
require(lubridate)
y = ts(daten$ANZ_AUFTRAEGE, start=c(2013, yday("2013-09-02")), frequency=5)
plot(forecast(ets(y), 10), axes=FALSE)
axis(2)
a = seq(as.Date("2013-09-02"), by="weeks", length=55)
axis(1, at = decimal_date(a), labels = format(a, "%Y %b %d"), cex.axis=0.6)
abline(v = decimal_date(a), col='grey', lwd=0.5)
####neuer TEST !!!!
# Plot your axes.
# `at` is an approximation--there's probably a better way to do this,
# but the logic is approximately 365.25 days in a year, and an origin
# date in R of `January 1, 1970`
axis(1, at = as.numeric(a)/251.25+1970, labels = a, cex.axis=0.6)
axis(2, cex.axis=0.6)


```{r Daten auftrennen}
testset = xts_ts["2014-06-16/2014-06-24"]
trainset = xts_ts["/2014-06-15"]

#Nun ohne Wochenende
testset_ow = xts_ts_ow["2014-06-16/2014-06-24"]
trainset_ow = xts_ts_ow["/2014-06-15"]

#Feiertage auch noch ausblenden
feiertage <- c("2012-11-01","2012-12-20","2013-01-01","2013-03-29","2013-04-01","2013-05-01","2013-05-09","2013-05-20","2013-05-30","2013-10-03","2013-11-01","2013-12-25","2013-12-26","2014-01-01","2014-04-18","2014-04-21","2014-05-01","2014-05-29","2014-06-09","2014-06-19")
betriebsruhe_2012 <- seq(as.Date("2012-12-21"),as.Date("2012-12-31"),"day")
betriebsruhe_2013 <- seq(as.Date("2013-12-21"),as.Date("2015-01-05"),"day")
feiertage <- as.Date(feiertage)

trainset_ow_of <- trainset_ow[ ! time(trainset_ow) %in% c(feiertage,betriebsruhe_2012, betriebsruhe_2013) ]
testset_ow_of <- testset_ow[ ! time(testset_ow) %in% c(feiertage, betriebsruhe_2012, betriebsruhe_2013)]
```

```{r vorhersagen}
library(forecast)
arima_model <- auto.arima(trainset)
arima_forecast <- forecast(arima_model, 10)

plot(forecast(trainset, robust=TRUE, h=20))
plot(forecast(ets(trainset, h=20)))
plot(forecast(auto.arima(trainset, h=20)))

#Und nun ohne Wochenende
plot(forecast(trainset_ow, robust=TRUE, h=20))
plot(forecast(ets(trainset_ow)))
plot(forecast(auto.arima(trainset_ow)))

#und ohne Feiertage
plot(forecast(trainset_ow_of))
plot(forecast(auto.arima(trainset_ow_of)),xlim=c(200,300))
accuracy(forecast(auto.arima(trainset_ow_of)))
plot(forecast(arima_model(trainset_ow_of)))

#Irgendwie gabs hier nicht so wirklich 100% brauchbare Ergebnisse
```

```{r Versuch mit Wochendaten}
#klappt nicht so
plot(weeklysum)
weeklysum <- apply.weekly(ts(daten_ow, start=c(2013,9),frequency=5), sum)
as.ts(weeklysum)
HoltWinters(as.ts(weeklysum))
plot(forecast(auto.arima(weeklysum)))
```