R语言-时间序列
时间序列:可以用来预测未来的参数,
1.生成时间序列对象
sales <- c(18, 33, 41, 7, 34, 35, 24, 25, 24, 21, 25, 20,
22, 31, 40, 29, 25, 21, 22, 54, 31, 25, 26, 35)
# 1.生成时序对象
tsales <- ts(sales,start = c(2003,1),frequency = 12)
plot(tsales)
# 2.获得对象信息
start(tsales)
end(tsales)
frequency(tsales)
# 3.对相同取子集
tsales.subset <- window(tsales,start=c(2003,5),end=c(2004,6))
tsales.subset
结论:手动生成的时序图
2.简单移动平均
案例:尼罗河流量和年份的关系
library(forecast)
opar <- par(no.readonly = T)
par(mfrow=c(2,2))
ylim <- c(min(Nile),max(Nile))
plot(Nile,main='Raw time series')
plot(ma(Nile,3),main = 'Simple Moving Averages (k=3)',ylim = ylim)
plot(ma(Nile,7),main = 'Simple Moving Averages (k=3)',ylim = ylim)
plot(ma(Nile,15),main = 'Simple Moving Averages (k=3)',ylim = ylim)
par(opar)
结论:随着K值的增大,图像越来越平滑我们需要找到最能反映规律的K值
3.使用stl做季节性分解
案例:Arirpassengers年份和乘客的关系
# 1.画出时间序列
plot(AirPassengers)
lAirpassengers <- log(AirPassengers)
plot(lAirpassengers,ylab = 'log(Airpassengers)')
# 2.分解时间序列
fit <- stl(lAirpassengers,s.window = 'period')
plot(fit)
fit$time.series
par(mfrow=c(2,1))
# 3.月度图可视化
monthplot(AirPassengers,xlab='',ylab='')
# 4.季度图可视化
seasonplot(AirPassengers,year.labels = T,main = '')
原始图 对数变换
总体趋势图 月度季度图
4.指数预测模型
4.1单指数平滑
案例:预测康涅狄格州的气温变化
# 1.拟合模型
fit2 <- ets(nhtemp,model = 'ANN')
fit2
# 2.向前预测
forecast(fit2,1)
plot(forecast(fit2,1),xlab = 'Year',
ylab = expression(paste("Temperature (",degree*F,")",)),
main="New Haven Annual Mean Temperature")
# 3.得到准确的度量
accuracy(fit2)
结论:浅灰色是80%的置信区间,深灰色是95%的置信区间
4.2有水平项,斜率和季节项的指数模型
案例:预测5个月的乘客流量
# 1.光滑参数
fit3 <- ets(log(AirPassengers),model = 'AAA')
accuracy(fit3)
# 2.未来值预测
pred <- forecast(fit3,5)
pred
plot(pred,main='Forecast for air Travel',ylab = 'Log(Airpassengers)',xlab = 'Time')
# 3.使用原始尺度预测
pred$mean <- exp(pred$mean)
pred$lower <- exp(pred$lower)
pred$upper <- exp(pred$upper)
p <- cbind(pred$mean,pred$lower,pred$upper)
dimnames(p)[[2]] <- c('mean','Lo 80','Lo 95','Hi 80','Hi 95')
p
结论:从表格中可知3月份的将会有509200乘客,95%的置信区间是[454900,570000]
4.3ets自动预测
案例:自动预测JohnsonJohnson股票的趋势
fit4 <- ets(JohnsonJohnson)
fit4
plot(forecast(fit4),main='Johnson and Johnson Forecasts',
ylab="Quarterly Earnings (Dollars)", xlab="Time")
结论:预测值使用蓝色线表示,浅灰色表示80%置信空间,深灰色表示95%置信空间
5.ARIMA预测
步骤:
1.确保时序是平稳的
2.找出合理的模型(选定可能的p值或者q值)
3.拟合模型
4.从统计假设和预测准确性等角度评估模型
5.预测
library(tseries)
plot(Nile)
# 1.原始序列差分一次
ndiffs(Nile) dNile <- diff(Nile)
# 2.差分后的图形
plot(dNile)
adf.test(dNile)
Acf(dNile)
Pacf(dNile)
# 3.拟合模型
fit5 <- arima(Nile,order = c(0,1,1))
fit5
accuracy(fit5)
# 4.评价模型
qqnorm(fit5$residuals)
qqline(fit5$residuals)
Box.test(fit5$residuals,type = 'Ljung-Box')
# 5.预测模型
forecast(fit5,3)
plot(forecast(fit5,3),xlab = 'Year',ylab = 'Annual Flow')
原始图 一次差分图形
正态Q-Q图(如果满足正态分布,点会落在图中的线上) 使用Arima(0,1,1)模型的预测值
Arima自动预测
案例:预测3个月之后的太阳黑子
fit6 <- auto.arima(sunspots)
fit6
forecast(fit6,3)
accuracy(fit6)
plot(forecast(fit6,3), xlab = "Year",
ylab = "Monthly sunspot numbers")
结论:函数自动选定(2,1,2)与其他模型相比,AIC的值最小,预测结果更准确
R语言-时间序列的更多相关文章
- R语言-时间序列图
1.时间序列图 plot()函数 > air<-read.csv("openair.csv") > plot(air$nox~as.Date(air$date,& ...
- 基于R语言的时间序列指数模型
时间序列: (或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列.时间序列分析的主要目的是根据已有的历史数据对未来进行预测.(百度百科) 主要考虑的因素: 1.长期趋势(Lon ...
- Rserve详解,R语言客户端RSclient【转】
R语言服务器程序 Rserve详解 http://blog.fens.me/r-rserve-server/ Rserve的R语言客户端RSclient https://blog.csdn.net/u ...
- 【R语言学习】时间序列
时序分析会用到的函数 函数 程序包 用途 ts() stats 生成时序对象 plot() graphics 画出时间序列的折线图 start() stats 返回时间序列的开始时间 end() st ...
- 用R语言的quantreg包进行分位数回归
什么是分位数回归 分位数回归(Quantile Regression)是计量经济学的研究前沿方向之一,它利用解释变量的多个分位数(例如四分位.十分位.百分位等)来得到被解释变量的条件分布的相应的分位数 ...
- R语言学习笔记-机器学习1-3章
在折腾完爬虫还有一些感兴趣的内容后,我最近在看用R语言进行简单机器学习的知识,主要参考了<机器学习-实用案例解析>这本书. 这本书是目前市面少有的,纯粹以R语言为基础讲解的机器学习知识,书 ...
- R入门<三>-R语言实战第4章基本数据管理摘要
入门书籍:R语言实战 进度:1-4章 摘要: 1)实用的包 forecast:用于做时间序列预测的,有auto.arima函数 RODBC:可以用来读取excel文件.但据说R对csv格式适应更加良好 ...
- R语言实战(三)基本图形与基本统计分析
本文对应<R语言实战>第6章:基本图形:第7章:基本统计分析 =============================================================== ...
- 机器学习:异常检测算法Seasonal Hybrid ESD及R语言实现
Twritters的异常检测算法(Anomaly Detection)做的比较好,Seasonal Hybrid ESD算法是先用STL把序列分解,考察残差项.假定这一项符合正态分布,然后就可以用Ge ...
随机推荐
- TDD入门demo
OK,前面的博客整理了一系列的junit相关内容,这里举一个例子TDD实际的编码例子,不管实际编码中是否使用TDD,个人觉得这种思想必须要有. 我们不一定在写业务代码之前一定要说是把测试类都写出来,至 ...
- Git初入
Git记录 使用git 也有一段时间了, git的入门级了解也就不再多说, 但平常使用中, 仍然会遇到很多问题, 在此记录一二. 在查资料的过程中, 发现了两个比较好的资料: 特别是第二个, 相当详细 ...
- Android ui 透明度设置
格式如#00FFFFFF,前两位代表不透明度的十六进制.00表示完全透明,FF就是全不透明.依次递增. <?xml version="1.0" encoding=" ...
- android 获取屏幕的宽和高
屏幕高度:context.getResources().getDisplayMetrics().heightPixels 屏幕宽度:context.getResources().getDisplayM ...
- 【Thinkphp 5】 如何引入extend拓展文件
extend/maile/cc.php 文件目录 cc文件 必须要加上命名空间,如下 cc.php文件内容如下: namespace maile; //命名空间 maile是文件夹名称 class C ...
- 跨域资源共享 CORS 详解(转)
add by zhj: 公司在一个web产品上,做前后端分离,前后端提供独立的服务,使用不同的域名,通过http进行交互,在 前端,会涉及到跨域访问的问题,前端使用了CORS,后端同时需要做相应修改, ...
- [DeeplearningAI笔记]改善深层神经网络_优化算法2.3_2.5_带修正偏差的指数加权平均
Optimization Algorithms优化算法 觉得有用的话,欢迎一起讨论相互学习~Follow Me 2.3 指数加权平均 举个例子,对于图中英国的温度数据计算移动平均值或者说是移动平均值( ...
- ZOJ 3557 & BZOJ 2982 combination[Lucas定理]
How Many Sets II Time Limit: 2 Seconds Memory Limit: 65536 KB Given a set S = {1, 2, ..., n}, n ...
- Codeforces Round #395 (Div. 2)(未完)
2.2.2017 9:35~11:35 A - Taymyr is calling you 直接模拟 #include <iostream> #include <cstdio> ...
- BZOJ 3669: [Noi2014]魔法森林 [LCT Kruskal | SPFA]
题目描述 为了得到书法大家的真传,小 E 同学下定决心去拜访住在魔法森林中的隐 士.魔法森林可以被看成一个包含 n 个节点 m 条边的无向图,节点标号为 1,2,3,…,n,边标号为 1,2,3,…, ...