交互影响：
•日期和时间

•年份和时间

活动
•公共假期

温度对模型的影响：高温、低温和极冷温度
 

模型：
分段线性函数，
GAM模型中的样条曲线

> plot ( Temp , Load )

负荷序列（Yt）的自相关的影响，

> acf (Load )

---

---

OLS与 中位数回归
 

中位数回归通过单调变换是稳定的。

lm(y˜x, data =df)
lm(y˜x, data =df , tau =.5)

 
which ( predict ( fit ))
21 46

分位数回归和指数平滑

简单的指数平滑：

经典地，我们寻找使预测误差最小的α，即

 
X=as. numeric ( Nile )
SimpleSmooth = function (a){
for (t in 2:T{L[t=a*X[t+(1 -a)*L[t -1
}lines ( SimpleSmooth (.2) ,col =" red ")

V= function (a){
 
for (t in 2:T){
L[t]=a*X[t]+(1 -a)*L[t -1]
erreur [t]=X[t]-L[t -1] }
return ( sum ( erreur ˆ2) )
 
optim (.5 ,V)$ par
[1] 0.2464844
hw= HoltWinters (X, beta =FALSE
hw$ alpha
[1] 0.2465579

plot (X, type ="b",cex =.6 
 
lines ( SimpleSmooth ( HWtau (.8,col=" blue ",
lwd =2)

双指数平滑

我们考虑分位数误差

其中。

 
hw= HoltWinters (X, gamma =FALSE ,l. start =X[1])
hw$ alpha
alpha
0.4223241
hw$ beta
beta
0.05233389
 
DouSmo = function (a,b){
 
for (t in 2:T){
L[t]=a*X[t+(1 -a*(L[t -1]+ B[t -1]
B[t]=b*(L[t]-L[t -1]) +(1 -b*B[t -1] 
return (L+B)

预测

数理统计建立在对概率模型参数的估计和假设检验的基础上。
统计中的预测：当模型拟合观测值时，它会提供良好的预测。
相反，我们使用没有出现过的场景，它使我们能够评估未来的主要趋势，而不是预测极端事件的能力。

预测变量的构造
 

 
plot (ts( data = Load $Load , start =
1996 , frequency = 52) ,col =" white "

回归

plot (ts( data = Temp , start =
1996 , frequency = 52) ,
lines (ts( data = train $Temp , start =
1996 , frequency = 52) )
lines (ts( data = test $Temp , start =
1996+620 /52, frequency = 52) 

SARIMA模型

s = 52

 
ARIMA = arima (z, order =c(1 ,0 ,0 ,seasonal =list ( order =c(0 ,1 ,0 ,period =52
plot ( forecast (ARIMA ,h =112 )