原文链接：http://tecdat.cn/?p=10016
这是一个简短的演示，可以使用该代码进行操作。使用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单图解： 每个时间预测状态的详细视图：
在此示例中，我还使用了paral = 2。创建一个并行集群，然后关闭该集群。如果已经有并行集群在运行，则可以使用paral = 1。
时间聚合的不同级别上的估计和预测。
第一估计模型在每个时间聚合级别的拟合度，还提供已识别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来停止绘制输出。这些函数还有更多选项，可以设置最大时间聚合级别，MAPA组合的类型等。
第一个是在所有聚合级别上强制使用特定的指数平滑模型。
在这种情况下，将非季节性阻尼趋势模型拟合到时间序列。由于MAPA不能再在模型之间进行更改并选择一个简单的模型，因此对于给定系列的汇总版本，预选模型可能具有太多的自由度。 此外，如果选择了季节性模型，则对于具有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。 另一个新选项是能够计算经验预测间隔。由于这些都需要模拟预测以进行计算，因此它们的计算量很大。要获得80％，90％，95％和99％的预测：
> mapa(admissions,conf.lvl=c(0.8,0.9,0.95,0.99),paral=2)
如果您有任何疑问，请在下面发表评论。
大数据部落 -中国专业的第三方数据服务提供商，提供定制化的一站式数据挖掘和统计分析咨询服务
统计分析和数据挖掘咨询服务：y0.cn/teradat（咨询服务请联系官网客服）
【服务场景】
科研项目; 公司项目外包;线上线下一对一培训;数据爬虫采集;学术研究;报告撰写;市场调查。
【大数据部落】提供定制化的一站式数据挖掘和统计分析咨询
欢迎关注微信公众号，了解更多数据干货资讯！
欢迎选修我们的R语言数据分析挖掘必知必会课程！