在 的帮助页面中?tbats，我们发现：

拟合模型指定为 TBATS(omega, p,q, phi, ...,)，其中 omega 是 Box-Cox 参数，phi 是阻尼参数；误差被建模为 ARMA(p,q) 过程，m1,...,mJ 列出了模型中使用的季节性周期，k1,...,kJ 是用于每个季节性的傅里叶项的相应数量。

所以：

• omega = 1，这意味着确实没有Box-Cox 变换。
• phi = 0.838，意味着趋势将受到抑制。（老实说，我不知道或是否对应于总阻尼。最好用模拟数据玩一下。）见参数。$\phi=0$$\phi=1$use.damped.trendtbats()
• 您有三个不同的季节周期，一个长度为 48 = 24*2（每天），一个长度为 336 = 7*24*2（每周），一个长度为 17520 = 365*24*2（每年）。tbats使用六个傅立叶项拟合第一个，第二个再次使用六个，最后一个使用五个。

De Livera, Hyndman & Snyder (2011, JASA )的原始 TBATS 论文当然很有用。

下一个：

• “级别”是时间序列的本地级别。
• “趋势”是局部趋势。

这些类似于使用 lowess (STL) 的更常见的季节趋势分解。看一下stl()命令。

要获得更清晰的第 1 季和第 2 季图，您可以查看 TBATS 模型的各个组件的数值。看str(tbats.components(model1))和summary(tbats.components(model1))。tbats.components()为您提供多个时间序列 ( mts) 对象，该对象本质上是一个矩阵 - 其中一列将为您提供每个季节性分量。

residuals()应该像它在 R 中的任何地方一样工作；也就是说，它应该返回最终的残差。这些确实应该是白噪声，因为它们是应用 ARMA(5,4)后的残差。您的 ACF 中的峰值似乎是有规律的 - 看起来还有一些剩余的季节性。你能推断出它们的周期性吗？（滞后以最长季节性周期的倍数计算并没有真正帮助。）

最后，是的，均方根误差是一种常见的点预测精度度量，具有相同的首字母缩略词 out-of sample：RMSE。