共计 835 个字符，预计需要花费 3 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=10016
原文出处：拓端数据部落公众号
这是一个简短的演示，能够应用该代码进行操作。应用_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略图解：每个工夫预测状态的具体视图：
在此示例中，我还应用了_paral = 2_。创立一个并行集群，而后敞开该集群。如果曾经有并行集群在运行，则能够应用_paral = 1_。
工夫聚合的不同级别上的预计和预测。
第一预计模型在每个工夫聚合级别的拟合度，还提供已辨认_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_来进行绘制输入。这些函数还有更多选项，能够设置最大工夫聚合级别，MAPA 组合的类型等。
第一个是在所有聚合级别上强制应用特定的指数平滑模型。
在这种状况下，将非季节性阻尼趋势模型拟合到工夫序列。因为 MAPA 不能再在模型之间进行更改并抉择一个简略的模型，因而对于给定系列的汇总版本，预选模型可能具备太多的自由度。此外，如果抉择了季节性模型，则对于具备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。另一个新选项是可能计算教训预测间隔。因为这些都须要模仿预测以进行计算，因而它们的计算量很大。要取得 80%，90%，95%和 99%的预测：
> mapa(admissions,conf.lvl=c(0.8,0.9,0.95,0.99),paral=2)
正文完
