R中季节性时间序列分析及非季节性时间序列分析

最新推荐文章于 2024-07-31 13:23:02 发布

小力丸

最新推荐文章于 2024-07-31 13:23:02 发布

阅读量1.8w

点赞数 4

分类专栏： R数据挖掘篇文章标签： R 季节性时间序列分析非季节性时间序列分析

本文链接：https://blog.csdn.net/lll1528238733/article/details/76034286

版权

本文介绍了如何在R中进行季节性和非季节性时间序列的分解。对于非季节性时间序列，讲解了移动平均方法，包括简单移动平均(SAM)和加权移动平均(WMA)，并提供了相关的R代码示例。而对于季节性时间序列，解释了周期性特征的定义，并展示了如何利用R进行分解，确定序列周期以及应用`decompose()`函数进行分解。

摘要由CSDN通过智能技术生成

序列分解

1、非季节性时间序列分解

移动平均MA(Moving Average)

①SAM（Simple Moving Average）
简单移动平均，将时间序列上前n个数值做简单的算术平均。
SMAn=(x1+x2+…xn)/n

②WMA(Weighted Moving Average)
加权移动平均。基本思想，提升近期的数据、减弱远期数据对当前预测值的影响，使平滑值更贴近最近的变化趋势。
用Wi来表示每一期的权重，加权移动平均的计算：
WMAn=w1x1+w2x2+…+wnxn

R中用于移动平均的API
install.packages(“TTR”)
SAM(ts,n=10)

ts 时间序列数据
n 平移的时间间隔，默认值为10

WMA(ts,n=10,wts=1:n)

wts 权重的数组，默认为1:n

#install.packages('TTR')
library(TTR)

data <- read.csv("data1.csv", fileEncoding="UTF8")

plot(data$公司A, type='l')

data$SMA <- SMA(data$公司A, n=3)

lines(data$SMA)



plot(data$公司A, type='l')

data$WMA <- WMA(data$公司A, n=