R数据分析——时间序列管理

最新推荐文章于 2024-08-16 20:23:56 发布

渡渡鸟是我啊

最新推荐文章于 2024-08-16 20:23:56 发布

阅读量4.4k

点赞数 2

文章标签： R语言、数据分析、相关案例解释

本文链接：https://blog.csdn.net/weixin_41931826/article/details/79769383

版权

本文介绍了R语言中进行时间序列分析的forecast、tseries、TTR等包，详细讲解了forecast函数的参数及用法，探讨了指数平滑预测和均值预测的方法。此外，还阐述了ARIMA模型和自相关函数ACF在时间序列预测中的作用，提供了案例分析和相关数据资源。

摘要由CSDN通过智能技术生成

一、时间序列分析包------forecast、tseries、TTR

??forecast
??tseries
??TTR

使用默认S3方法:

forecast(object,...)

时间序列(time series,ts)的S3方法

forecast(object,h=ifelse(frequency(object) > 1,2 * frequency(object),10),

level=c(80,95),fan=FALSE,lambda=NULL,find.frequency=FALSE,allow.multiplicative.trend=FALSE,model=NULL,...)

指数平滑预测

返回应用于y的指数平滑预测的预测和其他信息。

ses(y, h = 10, level = c(80, 95), fan = FALSE, initial = c("optimal", "simple"), alpha = NULL, lambda = NULL, biasadj = FALSE, x = y, ...)

holt(y, h = 10, damped = FALSE, level = c(80, 95), fan = FALSE, initial = c("optimal", "simple"), exponential = FALSE, alpha = NULL,  beta = NULL, phi = NULL, lambda = NULL, biasadj = FALSE, x = y, ...)

hw(y, h = 2 * frequency(x), seasonal = c("additive", "multiplicative"), damped = FALSE, level = c(80, 95), fan = FALSE, initial = c("optimal", "simple"), exponential = FALSE, alpha = NULL, beta = NULL, gamma = NULL, phi = NULL, lambda = NULL, biasadj = FALSE, x = y,)

ses、Holt和HW是用于预测的简单方便的包装函数(ets(...))。

参数

y----------类别ts的数字向量或时间序列;

initial------用于选择初始状态值的方法。如果是最优的，则使用ets连同平滑参数一起优化初始值。如果简单，则初始值设置为使用对前几个观测值的简单计算获得的值。有关详细信息，请参见海曼和阿萨那普洛斯( 2014年);

alpha-------高程的平滑参数值。如果为空，则进行估计;

λ----------co-box变换参数。如果为空则忽略。否则，在模型估计之前变换数据。当λ= TRUE时，加法运算仅设置为FALSE;

biasadj------对Box - Cox转换使用调整后的反向转换平均值。如果为TRUE，则点预测和拟合值为平均预测。否则，这些点可视为预测密度的中值;

...----------传递给预测的其他参数damped——如果为TRUE，则使用阻尼趋势;

exponential---如果为TRUE则拟合指数趋势。否则，趋势是(局部)线性的;

β -----------趋势的平滑参数值。如果为空，则进行估计;

φ------------阻尼参数值(如果阻尼=真)。如果为空，则进行估计;

seasonal------硬件模型中的季节性类型。“加法”或“乘法”;

gamma---------季节组件的平滑参数值。如果为空，则进行估计;

均值预测

用于返回应用于y的iid模型的预测和预测间隔

meanf(y, h = 10, level = c(80, 95), fan = FALSE, lambda = NULL,
  biasadj = FALSE, x = y)

参数

y----类别ts的数字向量或时间序列
h----预测期间数
漂移模型的随机行走是

Y[t]=mu+Z[t]

其中Z[t]是正常的iid误差。预测通过下面公式给出：

Y[n+h]=mu

给出其中mu是样本均值估计。

如果没有漂移(如在naive中)，则漂移参数c = 0。预测标准误差允许估计漂移参数的不确定性。

季节性朴素模型是:

Y[t]=Y[t-m] + Z[t]

其中Z [ t ]是正常的iid误差。

第二部分时间序列应用的模型和基础知识

2.1.自回归求和移动平均模型( Augogressive Integrated Moving Average,ARIMA)

在ARIMA模型中，AR代表自回归(平稳时间序列),AR(p)，MA代表移动平均(以零居中的时间序列),MA(q)：q阶移动平均模型。p=0以及q!=0,ARMA(p,q)模型简化成AR(p)模型，p=0,q!=0则ARMA(p,q)简化成MA(q)模型。由于AR与MA都要求时间序列为稳定序列，可以把它们结合到一个模型中—ARMA模型。不平稳的时间序列会随时间呈现一个趋势，从而不满足固定期望值（均值）的要求，可以调整数据来移除这种趋势。

方法有：1）对时间序列执行回归分析，然后从每个观察到的y值中减去拟合回归线的值。2）计算连续y值之间的差异—差分法。可差分多次得到平稳序列，弹药避免过度差分。查分用d表示，则得到模型ARMA(p,q,d),另外，需要考虑时间序列中的季节效应，则ARMA模型拓展为季节自回归求和移动平均模型ARIMA(p,q,d)x(P,Q,D)s.其中P:AR中项（item）在时段上的数量；D：S时段上差异的数量；Q：MA中项（item）在s时段上的数量。s的值：52是周数据；12是月数据；7是周数据。

2.2自相关函数ACF值介于{-1,1}之间,ACF(0)=1。所以ACF值越接近1，则时间序列越能作为预测值得有效预测。(可以取ACF>0.6的时间序列)。部分自相关函数(PACF)与ACF描述类似。

第三部分—案例分析

参考文章有：

1.用R分析实例数据http://www.cnblogs.com/sylvanas2012/p/4328861.html。

训练数据下载地址：https://datamarket.com/data/list/?q=provider:tsdl

数据包：AirPassenger

2.其他数据包下载网站： https://www.sogou.com/linkurl=BluioFHAuoFyJDXdb8U6ARle0CAZhm9iC1jaD4xhhQysWSmDEXmyx7bAp6VRqT6Q

passenger = read.csv('passenger.csv',header=F,sep=' ') 

p<-unlist(passenger) 

library("forecast")

plot(pt) 
train<-window(pt,start=2001,end=2011+11/12)  #window取子集 
test<-window(pt,start=2012) 

library(forecast) 
pred_meanf<-meanf(train,h=12) 
rmse(test,pred_meanf$mean) #226.2657 RMSE rootmean square error均方根误差，也叫 标准误差,近似总体均方根误差( RMSEA )的置信区间。http://127.0.0.1:15268/library/ModelMetrics/html/rmse.html

pred_naive<-naive(train,h=12) #naive ( )只是rwf ( )的包装器，与下诉两个参见http://127.0.0.1:15268/library/forecast/html/rwf.html
rmse(pred_naive$mean,test)#102.9765 

pred_snaive<-snaive(train,h=12) 
rmse(pred_snaive$mean,test)#50.70832， snaive ( )返回来自ARIMA ( 0，0，0 ) ( 0，1，0 ) m模型的预测和预测间隔，其中m是季节周期。

pred_rwf<-rwf(train,h=12, drift=T) #rwf ( )返回对y应用漂移模型的随机行走的预测和预测间隔。这等效于具有可选漂移系数的ARIMA ( 0，1，0 )模型。
rmse(pred_rwf$mean,test)#92.66636 

pred_ses <- ses(train,h=12,initial='simple',alpha=0.2) #指数平滑预测，返回应用于y的指数平滑预测的预测和其他信息http://127.0.0.1:15268/library/forecast/html/ses.html

rmse(pred_ses$mean,test) #89.77035 

pred_holt<-holt(train,h=12,damped=F,initial="simple",beta=0.65) #等同于ses、hw的用法http://127.0.0.1:15268/library/forecast/html/ses.html
rmse(pred_holt$mean,test)#76.86677  without beta=0.65 it would be 84.41239 

pred_hw<-hw(train,h=12,seasonal='multiplicative') 
rmse(pred_hw$mean,test)#16.36156 

#alpha不指定,beta=不指定,gamma不指定 三阶指数平滑 seasonal="additive"默认加法模型 "multiplicative"乘法模型 
rp=HoltWinters(a,beta=F,gamma=F) #利用霍尔特-温特斯对象进行预测，返回单变量Holt - Winters时间序列模型http://127.0.0.1:15268/library/forecast/html/forecast.HoltWinters.html的预测和其他信息。
tmp=rp$coefficients 
forecast(rp,h=2) 

fit<-ets(train)#返回用于拟合模型的数据的h步预测 
accuracy(predict(fit,12),test) #24.390252 

pred_stlf<-stlf(train) 
rmse(pred_stlf$mean,test)#22.07215 
STL分解 
ts1=c(c(1:7),c(1:7),c(1:7)) 
ts1=ts(ts1,frequency=7,start=c(1,1))  
library(forecast) 
pre<-stlf(ts1) 
#预测未来3个值 
p=forecast(pre,h=3) #用于显示和分析单变量时间序列预测的方法和工具，包括通过状态空间模型和自动ARIMA模型的指数平滑。

plot(stl(train,s.window="periodic")) #Seasonal Decomposition of Time Series by Loess


fit<-auto.arima(train) accuracy(forecast(fit,h=12),test) #23.538735 

ma = arima(train, order = c(0, 1, 3), seasonal=list(order=c(0,1,3), period=12)) 

p<-predict(ma,12) accuracy(p$pred,test) #18.55567， BT = Box.test(ma$residuals, lag=30, type = "Ljung-Box", fitdf=2) #计算

Box - Pierce或Ljung - Box检验统计量，以检验给定时间序列中的零独立性假设。这些测试有时称为“portmantau”测试。这些检验有时应用于来自

ARMA ( p，q )拟合的残差，在这种情况下，建议通过设置fitdf = p + q来获得对零假设分布的更好近似，当然前提是滞后> fitdf。http://127.0.0.1:15268/library/stats/html/Box.test.html


wape = function(pred,test) 
{  
        len<-length(pred)  
    errSum<-sum(abs(pred[1:len]-test[1:len]))  
    corSum<-sum(test[1:len]) 
    result<-errSum/corSum 
    result 
} 


mae = function(pred,test) 
{  
    errSum<-mean(abs(pred-test))  
    errSum 
} #绝对平均误差


rmse = function(pred,test) 
{  
    res<- sqrt(mean((pred-test)^2) ) 
    res 
}

各个领域的时间序列分析案例
代码来源：https://github.com/MorrayTang2010/Practices/blob/master/Timesrices.r