R语言时间序列代码整理

最新推荐文章于 2023-03-07 14:13:00 发布

Fanny Ji 

最新推荐文章于 2023-03-07 14:13:00 发布

阅读量5.5k

点赞数 1

分类专栏：数据挖掘

本文链接：https://blog.csdn.net/kite_runner_fan/article/details/107827482

版权

本文整理了R语言中时间序列分析的关键步骤，包括读取数据、平滑化、季节性分解、指数平滑预测（ETS）和ARIMA模型。通过示例代码展示了如何进行简单移动平均、STL分解、ETS模型拟合以及ARIMA模型的选择和预测，为时间序列预测提供了实用的R代码参考。

摘要由CSDN通过智能技术生成

R语言时间序列代码整理

时间序列：
data<-read.csv('/Users/ji_fanyang/Desktop/test2.csv')
myseries<- ts(data[1],start=c(2017,1),end=c(2020,7),frequency=12)
install.packages('forecast')
library(forecast)

1.时序的平滑化
平滑曲线，居中移动平均
opar<-par(no.readonly=TRUE)
par(mfrow=c(2,2))
ylim<-c(min(myseries),max(myseries))
plot(myseries,main="Raw time series")
plot(ma(myseries,3),main="simple moving average(k=3)",ylim=ylim)
plot(ma(myseries,7),main="simple moving average(k=7)",ylim=ylim)
plot(ma(myseries,15),main="simple moving average(k=15)",ylim=ylim)

2.季节性分解（趋势因子，季节因子，随机因子）
stl=(ts,s.window=,t.window=)，为相加模型

S.window:控制季节效应变化的速度，s.window=“periodic”,使得季节效应在每个月都是一致的
t.window:控制趋势变化的速度

myseries2<-log(myse