4.基于TBATS模型的日售电量预测
因为月售电量不能及时更新，无法使用截止到当日的售电量数据对预测值进行修正，所以我们下面考虑日售电量预测模型。
一般说来对日数据进行预测是比较困难的，因为其存在多个周期，比如既要考虑季节因素也要考虑星期因素。对于星期因素而言，一年中的平均周数是52.18，而大多数的时间序列模型都是基于整数季节周期进行的。即使我们将周数据的季节周期近似为52，大多数方法也难以有效地处理这么大的季节周期数据。
对于这种包含复杂季节模式的高频时间序列，我们可以使用TBATS模型来进行处理。这一方法允许我们指定所有可能存在的季节模式，同时也能灵活地处理频率为非整数的情况。由De Livera， Hyndman，Snyder (2011)提出的TBATS模型是将傅里叶项与指数平滑状态空间模型、Box-Cox 转换组合在一起，以一种完全自动化的方式进行预测，其相关公式详见图5。
TBATS 模型与动态谐波回归的不同之处在于，TBATS 模型允许季节性随着时间慢慢变化，而动态谐波回归的季节模式只能周期性地重复，而没有变化。TBATS 模型的一个缺点是运行速度很慢，特别是在长时间序列的情况下这一缺点尤为明显。
