当我在 ts object 中读取时间序列并放一段时间时：
ts object
tr <- ts(data[,4],frequency=) . 这适用于两个不同的时期并完美分解以显示（向下）趋势，季节性和错误 . 我怎么知道哪个是正确的时期 .
tr <- ts(data[,4],frequency=)
当我在上述ts对象的 forecast 包中使用 ETS 或 STLF 函数时，摘要显示：Model Information： ETS(A,N,N) 为什么？我们这里有季节性趋势组件吗？
forecast
ETS
STLF
ETS(A,N,N)
当训练集是非负的而负值没有意义时，我们可以做些什么来处理负值 .
正确的周期取决于数据生成过程 . 例如，如果您正在查看由消费者习惯驱动的月度数据，那么，如果我们假设消费者行为会根据全年不断变化的情况而波动，因为数据是按月计算的，12可能是一个很好的选择频率 . 重要的是要记住周期性是乘法的 . 例如，如果12和24工作，我会选择12.如果你有季度数据，那么4可能是一个很好的选择频率 . 或者，如果您正在查看某些物理过程，例如引擎中的温度，并且您有毫秒数据，则适当的周期可能是每转的毫秒数 .
最后两个N的意思是“无” . 我无法说出为什么你认为有季节性成分而ets没有 . 从帮助文件：
通常使用Hyndman等人的框架术语的三字符串识别方法 . （2002）和Hyndman等 . （2008年） . 第一个字母表示错误类型（“A”，“M”或“Z”）;第二个字母表示趋势类型（“N”，“A”，“M”或“Z”）;第三个字母表示季节类型（“N”，“A”，“M”或“Z”） . 在所有情况下，“N”=无，“A”=加法，“M”=乘法，“Z”=自动选择 . 因此，例如，“ANN”是具有加性误差的简单指数平滑，“MAM”是具有乘法误差的乘法Holt-Winters方法，等等 . 模型也可以是“ets”类，并且等于之前调用ets的输出 . 在这种情况下，相同的模型适合y而不重新估计任何平滑参数 . 另请参见use.initial.values参数 .
lambda=0
1 回答
正确的周期取决于数据生成过程 . 例如，如果您正在查看由消费者习惯驱动的月度数据，那么，如果我们假设消费者行为会根据全年不断变化的情况而波动，因为数据是按月计算的，12可能是一个很好的选择频率 . 重要的是要记住周期性是乘法的 . 例如，如果12和24工作，我会选择12.如果你有季度数据，那么4可能是一个很好的选择频率 . 或者，如果您正在查看某些物理过程，例如引擎中的温度，并且您有毫秒数据，则适当的周期可能是每转的毫秒数 .
最后两个N的意思是“无” . 我无法说出为什么你认为有季节性成分而ets没有 . 从帮助文件：
lambda=0将是一个良好的开端，相当于采用对数 . 这将使模型成倍增加 . 但是，一般来说，如果您的预测变得不利并且您知道这是不可能的，那么您的数据生成过程模型可能是错误的 .