在R开始每日时间序列-Java 学习之路

我每天都有关于网站访客数量的时间序列 . 我的系列从 01/06/2014 开始直到今天 14/10/2015 所以我希望预测未来的访客人数 . 如何用R读取我的系列？我在想：

series <- ts(visitors, frequency=365, start=c(2014, 6))

如果是的话，在运行我的时间序列模型后 arimadata=auto.arima() 我想预测接下来6o天的访客号码，我该怎么做？

h=..?
forecast(arimadata,h=..),

h 的 Value 应该是什么？在此先感谢您的帮助

5 回答

0
ts 规范是错误的;如果您将此设置为每日观察，那么您需要指定2014年的哪一天是6月1日，并在 start 中指定：
```
## Create a daily Date object - helps my work on dates
inds <- seq(as.Date("2014-06-01"), as.Date("2015-10-14"), by = "day")

## Create a time series object
set.seed(25)
myts <- ts(rnorm(length(inds)),     # random data
           start = c(2014, as.numeric(format(inds[1], "%j"))),
           frequency = 365)
```
请注意，我将 start 指定为 c(2014, as.numeric(format(inds[1], "%j"))) . 所有复杂的一点都在于解决6月1日的哪一天：
```
> as.numeric(format(inds[1], "%j"))
[1] 152
```
一旦你有了这个，你就在那里：
```
## use auto.arima to choose ARIMA terms
fit <- auto.arima(myts)
## forecast for next 60 time points
fore <- forecast(fit, h = 60)
## plot it
plot(fore)
```
鉴于我提供的随机数据，这似乎是合适的...

您需要为 auto.arima() 选择适合您数据的参数 .

请注意，x轴标签指的是一年的0.5（一半） .

通过动物园这样做

通过使用 zoo 包创建的 zoo 对象可能更容易做到这一点：
```
## create the zoo object as before
set.seed(25)
myzoo <- zoo(rnorm(length(inds)), inds)
```
请注意，您现在不需要指定任何 start 或 frequency info;只需使用之前 Date 对象中的 inds 计算 .

继续像以前一样
```
## use auto.arima to choose ARIMA terms
fit <- auto.arima(myts)
## forecast for next 60 time points
fore <- forecast(fit, h = 60)
```
该情节虽然会引起问题，因为x轴是自纪元（1970-01-01）以来的天数，所以我们需要抑制该轴的自动绘图然后绘制我们自己的 . 这很简单，因为我们有 inds
```
## plot it
plot(fore, xaxt = "n")    # no x-axis 
Axis(inds, side = 1)
```
这只产生一些标记的刻度;如果你想要更多控制，告诉R你想要的标记和标签：
```
## plot it
plot(fore, xaxt = "n")    # no x-axis 
Axis(inds, side = 1,
     at = seq(inds[1], tail(inds, 1) + 60, by = "3 months"),
     format = "%b %Y")
```
这里我们每3个月绘制一次 .
回复于 2024-05-03T07:02:59+08:00
3
时间序列对象不适用于创建每日时间序列 . 我建议你使用动物园图书馆 .
```
Library(zoo)
zoo(visitors, seq(from = as.Date("2014-06-01"), to = as.Date("2015-10-14"), by = 1))
```
回复于 2024-05-03T07:02:59+08:00
14
下面是一个分步指南，用于预测R中多个季节性的日常数据 . 除非时间序列很长，最简单的方法是简单地将频率属性设置为7 .
```
y <- ts(x, frequency=7)
```
那么任何通常的时间序列预测方法都应该产生合理的预测 . 例如
```
library(forecast)
fit <- ets(y)
fc <- forecast(fit)
plot(fc)
```
如果时间序列足够长，可以超过一年，那么可能需要考虑年度季节性以及每周季节性 . 在这种情况下，需要一个多季节模型，如TBATS .
```
y <- msts(x, seasonal.periods=c(7,365.25))
fit <- tbats(y)
fc <- forecast(fit)
plot(fc)
```
这应该捕捉每周模式以及更长的年度模式 . 365.25期是允许闰年的一年的平均长度 . 在某些国家/地区，可能需要替代或额外的年份长度 .

捕捉与复活节或中国新年等移动事件相关的季节性变得更加困难 . 即使有月度数据，这也可能很棘手，因为节日可能在3月或4月（复活节）或1月或2月（农历新年）下降 . 通常的季节性模型不允许这样做 . 处理移动假日效果的最佳方法是使用虚拟变量 . 但是，ETS和TBATS模型都不允许协变量 . 可以使用与TBATS相同形式但具有多个误差源和协变量的状态空间模型，但是我们没有任何R代码可以做到这一点 .

相反，我们可以使用具有ARIMA错误的回归模型，其中回归项包括任何虚拟假日效应以及更长的年度季节性 . 除非有数十年的数据，否则通常可以合理地假设年度季节性形状每年都保持不变，因此可以使用傅里叶项来模拟年度季节性 . 假设我们使用K = 5傅立叶项来模拟年度季节性，并且假日虚拟变量在向量假期中，在holidayf中有100个未来值 . 然后，以下代码将适合适当的模型 .
```
y <- ts(x, frequency=7)
z <- fourier(ts(x, frequency=365.25), K=5)
zf <- fourierf(ts(x, frequency=365.25), K=5, h=100)
fit <- auto.arima(y, xreg=cbind(z,holiday), seasonal=FALSE)
fc <- forecast(fit, xreg=cbind(zf,holidayf), h=100)
```
可以通过最小化拟合模型的AIC来选择阶数K.
回复于 2024-05-03T07:02:59+08:00
2
```
series <- ts(visitors, frequency=365, start=c(2014, 152))
```
152号码是01-06-2014，因为它从152号开始，因为频率= 365要预测60天，h = 60 .
```
forecast(arimadata , h=60)
```
回复于 2024-05-03T07:02:59+08:00
0
这是我如何创建一个时间序列，当我得到一些日常观察时，缺少相当多的观察 . @ gavin-simpson给了我很大的帮助 . 希望这可以节省一些人的悲伤 .

原始数据看起来像这样：
```
library(lubridate)
set.seed(42)
minday = as.Date("2001-01-01")
maxday = as.Date("2005-12-31")
dates <- seq(minday, maxday, "days")
dates <- dates[sample(1:length(dates),length(dates)/4)] # create some holes
df <- data.frame(date=sort(dates), val=sin(seq(from=0, to=2*pi, length=length(dates))))
```
为了创建一个包含这些数据的时间序列，我创建了一个“虚拟”数据框，每个日期有一行并将其与现有数据框合并：
```
df <- merge(df, data.frame(date=seq(minday, maxday, "days")), all=T)
```
此数据框可以转换为时间序列 . 缺少日期是 NA .
```
nts <- ts(df$val, frequency=365, start=c(year(minday), as.numeric(format(minday, "%j"))))
plot(nts)
```
回复于 2024-05-03T07:02:59+08:00

在R开始每日时间序列

5 回答

通过动物园这样做

相关问题