Иерархическое оптимальное согласование с прогнозами случайного леса в R
У меня есть некоторые сомнения относительно того, как использовать библиотеку hts для создания оптимального согласования моих прогнозов. Цель состоит в том, чтобы спрогнозировать выработку ветровой энергии некоторыми электростанциями, расположенными в макрозоне. По каждой макрозоне {A;B;C} у меня есть информация об общем потреблении энергии по часам. Каждая макрозона разделена на несколько зон {A1;A2;A3[...];B4;B5;B6[...];C;7;C8;C9[...]}, и я знаю общее потребление энергии. этих микрозон (что составляет около 95% всей энерговклада макрозоны). Я уже сгенерировал свои прогнозы как для каждой микрозоны, так и для всей макрозоны А с помощью алгоритма случайного леса, поскольку я использую некоторые погодные переменные в качестве регрессоров. Я хотел бы выяснить, как применить иерархическое оптимальное согласование к этим прогнозам без использования функции «прогноз».
Я привожу однодневную выдержку как фактических, так и расчетных измерений в макрозоне А. В таблицах 1 и 2 вы найдете фактические измерения, подлежащие проверке, в таблице 3 — прогнозируемые значения для всей макрозоны А, а в таблице 3 — результаты измерений. прогнозные значения для микрозон с моделями случайного леса.
Как я могу применить метод иерархического оптимального согласования в R к этим данным?
Спасибо за внимание!
#Table1
Test_MacrozoneA<-data.frame(Macrozone="A",
Date=as.Date("2021/05/15"),
Hour=c(seq(1,24,1)),
Measure=c(8.92,6.50,7.06,5.89,7.34,10.65,15.03,16.21,17.55,21.00,19.90,14.88,11.74,10.62,10.08,9.01,7.16,5.12,5.40,8.97,12.43,15.67,22.09,24.30)
)
#Table2
Test_MicrozoneA<-data.frame(Date=as.Date("2021/05/15"),
Hour=c(seq(1,24,1)),
A1=c(1.32,1.04,1.44,1.45,3.11,4.84,9.97,11.52,11.99,14.54,13.93,7.87,6.13,6.20,5.84,5.34,4.37,2.82,3.12,6.02,8.20,12.58,19.67,21.32),
A2=c(1.90,0.79,0.92,0.50,0.43,1.18,1.14,1.01,0.33,0.12,0.79,2.18,1.07,0.36,0.23,0.20,0.09,0.06,0.06,0.06,0.11,0.12,0.08,0.02),
A3=c(1.78,1.47,1.48,1.34,1.27,1.59,0.84,0.85,1.05,1.47,1.17,0.68,0.86,1.21,1.28,1.33,1.38,1.40,1.39,1.59,1.61,1.67,1.38,1.75),
A4=c(2.54,2.09,2.03,1.28,1.13,1.15,0.75,0.89,1.35,1.81,1.82,1.65,1.63,1.27,0.97,0.92,0.78,0.53,0.60,1.09,1.70,0.69,0.14,0.20),
A5=c(0.58,0.03,0.00,0.23,0.04,0.71,1.95,1.64,2.45,2.87,2.00,2.33,1.77,1.30,1.53,1.04,0.35,0.12,0.01,0.00,0.58,0.40,0.56,0.67)
)
#Table3
Pred_MacrozoneA<-data.frame(Macrozone="A",
Date=as.Date("2021/05/15"),
Hour=c(seq(1,24,1)),
Measure=c(5.21,6.62,4.66,4.92,6.38,7.13,8.14,8.90,12.09,15.29,19.62,17.51,21.00,20.72,17.55,15.83,15.94,14.45,10.61,7.09,5.37,7.01,11.98,16.51)
)
#Table4
Pred_MicrozoneA<-data.frame(Date=as.Date("2021/05/15"),
Hour=c(seq(1,24,1)),
A1=c(1.84,1.61,1.26,1.16,1.41,2.47,4.54,4.34,4.14,10.97,11.74,10.73,11.61,11.37,9.50,5.73,5.75,6.12,5.64,2.34,3.70,3.06,7.23,10.53),
A2=c(0.79,1.95,1.92,2.11,2.65,2.66,1.72,0.84,0.91,1.32,1.90,2.31,2.49,2.23,1.70,1.43,1.65,1.70,1.02,0.33,0.18,0.17,0.30,0.33),
A3=c(0.46,0.43,0.38,0.22,0.23,0.56,1.28,0.83,0.75,0.77,0.89,1.02,1.05,1.29,1.43,1.48,1.47,1.41,1.34,1.36,1.42,1.43,1.23,1.76),
A4=c(2.00,0.95,0.63,0.88,0.69,0.33,1.30,1.08,1.59,2.57,2.59,2.14,1.95,1.90,1.75,2.31,2.40,2.20,2.20,1.19,0.89,0.88,0.92,0.95),
A5=c(0.67,0.74,0.55,0.38,0.23,0.30,0.30,0.55,0.58,0.97,0.80,0.81,1.24,1.83,1.79,1.55,1.13,0.56,0.36,0.12,0.16,0.20,0.25,0.30)
)
> Test_MacrozoneA
Macrozone Date Hour Measure
1 A 2021-05-15 1 8.92
2 A 2021-05-15 2 6.50
3 A 2021-05-15 3 7.06
4 A 2021-05-15 4 5.89
5 A 2021-05-15 5 7.34
6 A 2021-05-15 6 10.65
7 A 2021-05-15 7 15.03
8 A 2021-05-15 8 16.21
9 A 2021-05-15 9 17.55
10 A 2021-05-15 10 21.00
11 A 2021-05-15 11 19.90
12 A 2021-05-15 12 14.88
13 A 2021-05-15 13 11.74
14 A 2021-05-15 14 10.62
15 A 2021-05-15 15 10.08
16 A 2021-05-15 16 9.01
17 A 2021-05-15 17 7.16
18 A 2021-05-15 18 5.12
19 A 2021-05-15 19 5.40
20 A 2021-05-15 20 8.97
21 A 2021-05-15 21 12.43
22 A 2021-05-15 22 15.67
23 A 2021-05-15 23 22.09
24 A 2021-05-15 24 24.30
> Test_MicrozoneA
Date Hour A1 A2 A3 A4 A5
1 2021-05-15 1 1.32 1.90 1.78 2.54 0.58
2 2021-05-15 2 1.04 0.79 1.47 2.09 0.03
3 2021-05-15 3 1.44 0.92 1.48 2.03 0.00
4 2021-05-15 4 1.45 0.50 1.34 1.28 0.23
5 2021-05-15 5 3.11 0.43 1.27 1.13 0.04
6 2021-05-15 6 4.84 1.18 1.59 1.15 0.71
7 2021-05-15 7 9.97 1.14 0.84 0.75 1.95
8 2021-05-15 8 11.52 1.01 0.85 0.89 1.64
9 2021-05-15 9 11.99 0.33 1.05 1.35 2.45
10 2021-05-15 10 14.54 0.12 1.47 1.81 2.87
11 2021-05-15 11 13.93 0.79 1.17 1.82 2.00
12 2021-05-15 12 7.87 2.18 0.68 1.65 2.33
13 2021-05-15 13 6.13 1.07 0.86 1.63 1.77
14 2021-05-15 14 6.20 0.36 1.21 1.27 1.30
15 2021-05-15 15 5.84 0.23 1.28 0.97 1.53
16 2021-05-15 16 5.34 0.20 1.33 0.92 1.04
17 2021-05-15 17 4.37 0.09 1.38 0.78 0.35
18 2021-05-15 18 2.82 0.06 1.40 0.53 0.12
19 2021-05-15 19 3.12 0.06 1.39 0.60 0.01
20 2021-05-15 20 6.02 0.06 1.59 1.09 0.00
21 2021-05-15 21 8.20 0.11 1.61 1.70 0.58
22 2021-05-15 22 12.58 0.12 1.67 0.69 0.40
23 2021-05-15 23 19.67 0.08 1.38 0.14 0.56
24 2021-05-15 24 21.32 0.02 1.75 0.20 0.67
> Pred_MacrozoneA
Macrozone Date Hour Measure
1 A 2021-05-15 1 5.21
2 A 2021-05-15 2 6.62
3 A 2021-05-15 3 4.66
4 A 2021-05-15 4 4.92
5 A 2021-05-15 5 6.38
6 A 2021-05-15 6 7.13
7 A 2021-05-15 7 8.14
8 A 2021-05-15 8 8.90
9 A 2021-05-15 9 12.09
10 A 2021-05-15 10 15.29
11 A 2021-05-15 11 19.62
12 A 2021-05-15 12 17.51
13 A 2021-05-15 13 21.00
14 A 2021-05-15 14 20.72
15 A 2021-05-15 15 17.55
16 A 2021-05-15 16 15.83
17 A 2021-05-15 17 15.94
18 A 2021-05-15 18 14.45
19 A 2021-05-15 19 10.61
20 A 2021-05-15 20 7.09
21 A 2021-05-15 21 5.37
22 A 2021-05-15 22 7.01
23 A 2021-05-15 23 11.98
24 A 2021-05-15 24 16.51
> Pred_MicrozoneA
Date Hour A1 A2 A3 A4 A5
1 2021-05-15 1 1.84 0.79 0.46 2.00 0.67
2 2021-05-15 2 1.61 1.95 0.43 0.95 0.74
3 2021-05-15 3 1.26 1.92 0.38 0.63 0.55
4 2021-05-15 4 1.16 2.11 0.22 0.88 0.38
5 2021-05-15 5 1.41 2.65 0.23 0.69 0.23
6 2021-05-15 6 2.47 2.66 0.56 0.33 0.30
7 2021-05-15 7 4.54 1.72 1.28 1.30 0.30
8 2021-05-15 8 4.34 0.84 0.83 1.08 0.55
9 2021-05-15 9 4.14 0.91 0.75 1.59 0.58
10 2021-05-15 10 10.97 1.32 0.77 2.57 0.97
11 2021-05-15 11 11.74 1.90 0.89 2.59 0.80
12 2021-05-15 12 10.73 2.31 1.02 2.14 0.81
13 2021-05-15 13 11.61 2.49 1.05 1.95 1.24
14 2021-05-15 14 11.37 2.23 1.29 1.90 1.83
15 2021-05-15 15 9.50 1.70 1.43 1.75 1.79
16 2021-05-15 16 5.73 1.43 1.48 2.31 1.55
17 2021-05-15 17 5.75 1.65 1.47 2.40 1.13
18 2021-05-15 18 6.12 1.70 1.41 2.20 0.56
19 2021-05-15 19 5.64 1.02 1.34 2.20 0.36
20 2021-05-15 20 2.34 0.33 1.36 1.19 0.12
21 2021-05-15 21 3.70 0.18 1.42 0.89 0.16
22 2021-05-15 22 3.06 0.17 1.43 0.88 0.20
23 2021-05-15 23 7.23 0.30 1.23 0.92 0.25
24 2021-05-15 24 10.53 0.33 1.76 0.95 0.30