如何解释TBATS模型结果和模型诊断

我有一个半小时的需求数据，这是一个多个季节的时间序列。我在R的package中使用tbats过forecast，并得到如下结果：

TBATS(1, {5,4}, 0.838, {<48,6>, <336,6>, <17520,5>}) 

这是否意味着该序列不一定要使用Box-Cox变换，并且误差项是ARMA（5，4），而6、6和5项则用来解释季节性？阻尼参数0.8383表示什么，也用于转换吗？

以下是模型的分解图：

我想知道该怎么做level并slope讲述该模型。“坡度”告诉趋势，那又如何level呢？如何获得更清晰的情节session 1和session 2，它们分别是每天和每周的季节性。

tbats除了RMSE值，我还知道如何进行模型诊断以评估模型。正常方法是检查错误是否为白噪声，但此处的错误应该是ARMA系列的。我绘制了错误的'acf'和'pacf'，但我认为它看起来不像ARMA（5,4）。这是否意味着我的模型不好？

acf(resid(model1),lag.max = 1000)
pacf(resid(model1),lag.max=1000)

最后一个问题RMSE是通过使用拟合值和真实值来计算的。如果我使用预测值fc1.week$mean和真实值来评估模型RMSE怎么办，它仍被称为？或者，还有这个名字吗？

fc1.week <-forecast(model1,h=48*7)
fc1.week.demand<-fc1.week$mean

在的帮助页面中?tbats，我们发现：

拟合模型命名为TBATS（omega，p，q，phi，，...），其中omega是Box-Cox参数，而phi是阻尼参数；该误差被建模为ARMA（p，q）过程，并且m1，...，mJ列出了模型中使用的季节周期，而k1，...，kJ是每个季节使用的相应傅立叶项数。

所以：

• omega = 1，意味着确实没有Box-Cox转换。
• phi = 0.838，这意味着趋势将得到抑制。（说实话，我不知道或对应于总阻尼。最好对模拟数据进行一些研究。）请参阅的参数。$\phi=0$$\phi=1$use.damped.trendtbats()
• 您有三个不同的季节周期，长度之一为48 = 24 * 2（每天），长度为336 = 7 * 24 * 2（每周），长度为17520 = 365 * 24 * 2（每年）。tbats适合第一个使用六个傅立叶项，第二个适合六个，最后一个适合五个。

De Livera，Hyndman＆Snyder（2011，JASA）撰写的原始TBATS论文当然有用。

下一个：

• “级别”是时间序列的本地级别。
• “趋势”是本地趋势。

这些类似于使用Lowess（STL）的更常见的季节趋势分解。看一下stl()命令。

为了更清楚地了解第1季和第2季的图，您可以查看TBATS模型各个部分的数值。看看str(tbats.components(model1))和summary(tbats.components(model1))。tbats.components()为您提供了多个时间序列（mts）对象，该对象本质上是一个矩阵-其中一列将为您提供每个季节性成分。

residuals()应该像在R中的任何地方一样工作；也就是说，它应该返回最终残差。这些确实应该是白噪声，因为它们是应用ARMA（5,4）之后的残差。ACF中的峰值似乎是规则的-看起来还有一些季节性。你能推断出它们的周期性吗？（将延迟计算为最长的季节性周期的倍数并没有帮助。）

最后，是的，均方根误差是一种常用的点预测精度度量，在样本外具有相同的首字母缩写：RMSE。