在规则的时间间隔内测量的任何度量标准都会创建一个Time series时间序列。由于工业上的必要性和相关性,Time series分析在商业上很重要,尤其是在预测(需求,供应和销售等)方面。其中每个数据点都与时间戳关联的一系列数据点称为Time series。
一天中股票在不同时间点的价格是Time series的最简单示例。一年中不同月份降雨量的另一个例子。 R提供了几个用于创建,处理和绘制Time series数据的函数。在R对象中,Time series数据称为Time series对象。就像矢量或数据帧一样。
R提供ts()函数来创建Time series。 ts()函数的语法如下:
Timeseries_object_name<- ts(data, start, end, frequency)
data - 它是一个向量或矩阵,其中包含Time series中使用的值。
start - 这是第一次观察的开始时间
end - 这是最后一次观察的结束时间
frequency - 它指定每单位时间的观察次数。
让我们看一个示例,以了解ts()函数如何用于创建Time series。
在下面的示例中,我们将考虑从2013年1月开始的某个位置的年度降雪细节。我们将创建一个12个月期间的RTime series对象,并将其绘制出来。
# 以R向量的形式获取数据点。 snowfall <- c(790,1170.8,860.1,1330.6,630.4,911.5,683.5,996.6,783.2,982,881.8,1021) # 将其转换为时间序列对象。 snowfall_timeseries<- ts(snowfall,start = c(2013,1),frequency = 12) # 打印TimeSeries数据。 print(snowfall_timeseries) # 向图表文件提供名称。 png(file = "snowfall.png") # 绘制时间序列的图表。 plot(snowfall_timeseries) # 保存文件 dev.off()
输出:
加法和乘法分解是用于分析序列的模型。如果季节性变化似乎是恒定的,则意味着当Time series的值增加时季节性变化不发生变化,则我们使用加性模型,否则使用乘法模型。
让我们看一下逐步过程,以了解如何使用加法和乘法模型分解Time series时间序列。对于加性模型,我们使用ausbeer数据集,对于可乘性,我们使用AirPassengers数据集。
第1步:加载数据并创建时间序列
用于附加模型
# 导出 fpp 库 library(fpp) # 使用 ausbeer 数据 data(ausbeer) # 创建ausbeer数据集的时间序列 timeserie.beer = tail(head(ausbeer, 17*4+2),17*4-4) # 设置图片名称 png(file = "time.png") plot(as.ts(timeserie_beer), col="magenta") # 保存文件 dev.off()
输出:
对于乘法模型
# 导入 Ecdat 库 library(Ecdat) # 使用 AirPassengers 数据 data(AirPassengers) # 为AirPassengers数据集创建时间序列 timeserie_air = AirPassengers # 设置图片名称 png(file = "time.png") plot(as.ts(timeserie_air)) # 保存文件 dev.off()
输出:
第2步:检测趋势
用于附加模型
# 检测趋势 trend.beer = ma(timeserie.beer, order = 4, centre = T) # 设置文件名 png(file = "time.png") plot(as.ts(timeserie.beer),col="red") lines(trend.beer,col="red") plot(as.ts(trend.beer),col="red") # 保存文件 dev.off()
输出1:
输出2:
对于乘法模型:
# 检测趋势 trend.air = ma(timeserie.air, order = 12, centre = T) # 设置图片名称 png(file = "time.png") plot(as.ts(timeserie.air),col="blue") lines(trend.air,col="blue") plot(as.ts(trend.air),col="blue") # 保存文件 dev.off()
输出1:
输出2:
第3步:时间序列的下降趋势
用于附加模型
# 检测时间序列.
detrend.beer=timeserie.beer-trend.beer # 设置图片名称 png(file = "time.png") plot(as.ts(detrend.beer),col="magenta") # 保存文件 dev.off()
输出:
对于乘法模型
# 检测时间序列. detrend.air=timeserie.air/trend.air # 设置图片名称 png(file = "time.png") plot(as.ts(detrend.air),col="blue") # 保存文件 dev.off()
输出:
第4步:平均季节性
用于附加模型
# 平均季节性 m.beer = t(matrix(data = detrend.beer, nrow = 4)) seasonal.beer = colMeans(m.beer, na.rm = T) # 设置图片名称 png(file = "time.png") plot(as.ts(rep(seasonal.beer,16)),col="magenta") # 保存文件 dev.off()
输出:
对于乘法模型
# 平均季节性 m.air = t(matrix(data = detrend.air, nrow = 12)) seasonal.air = colMeans(m.air, na.rm = T) # 设置文件名称 png(file = "time.png") plot(as.ts(rep(seasonal.air,12)),col="blue") # 保存文件 dev.off()
输出:
第5步:检查剩余的随机噪声
用于附加模型
# 检查剩余的随机噪声 random.beer = timeserie.beer - trend.beer - seasonal.beer # 设置文件名称 png(file = "time.png") plot(as.ts(rep(random.beer)),col="magenta") # 保存文件 dev.off()
输出:
对于乘法模型
# 检查剩余的随机噪声 random.air = timeserie.air/(trend.air * seasonal.air) # 设置文件名称 png(file = "time.png") plot(as.ts(random.air),col="blue") # 保存文件 dev.off()
输出:
第5步:重建原始信号
用于附加模型
# 重建原始信号 recomposed.beer=trend.beer+seasonal.beer+random.beer # 设置文件名称 png(file = "time.png") plot(as.ts(recomposed.beer),col="magenta") # 保存文件 dev.off()
输出1:
对于乘法模型
# 重建原始信号 recomposed.air = trend.air*seasonal.air*random.air # 设置文件名称 png(file = "time.png") plot(as.ts(recomposed.air),col="blue") # 保存文件 dev.off()
输出:
用于附加模型
# 导入 forecast , timeSeries ,fpp 库 library(forecast) library(timeSeries) library(fpp) # 使用 ausbeer 数据 data(ausbeer) # 创建时间序列 timeserie.beer = tail(head(ausbeer, 17*4+2),17*4-4) # 检测趋势 trend.beer = ma(timeserie.beer, order = 4, centre = T) # 检测时间序列 detrend.beer=timeserie.beer-trend.beer # 平均季节性 m.beer = t(matrix(data = detrend.beer, nrow = 4)) seasonal.beer = colMeans(m.beer, na.rm = T) # 检查剩余的随机噪声 random.beer = timeserie.beer - trend.beer - seasonal.beer # 重建原始信号 recomposed.beer = trend.beer+seasonal.beer+random.beer # 分解时间序列 ts.beer = ts(timeserie.beer, frequency = 4) decompose.beer = decompose(ts.beer, "additive") # 设置图片名称 png(file = "time.png") par(mfrow=c(2,2)) plot(as.ts(decompose.beer$seasonal),col="magenta") plot(as.ts(decompose.beer$trend),col="magenta") plot(as.ts(decompose.beer$random),col="magenta") plot(decompose.beer,col="magenta") # 保存文件 dev.off()
输出:
对于乘法模型
# 导入所属的库 library(forecast) library(timeSeries) library(fpp) library(Ecdat) # 使用 Airpassengers 数据 data(AirPassengers) # 创建时间序列 timeseries.air = AirPassengers # 检测趋势 trend.air = ma(timeseries.air, order = 12, centre = T) # 时间序列的去趋势 detrend.air=timeseries.air/trend.air # 平均季节性 m.air = t(matrix(data = detrend.air, nrow = 12)) seasonal.air = colMeans(m.air, na.rm = T) # 检查剩余的随机噪声 random.air = timeseries.air/(trend.air * seasonal.air) # 重建原始信号 recomposed.air = trend.air*seasonal.air*random.air # 分解时间序列 ts.air = ts(timeseries.air, frequency = 12) decompose.air = decompose(ts.air, "multiplicative") # 设置文件名称 png(file = "time.png") par(mfrow=c(2,2)) plot(as.ts(decompose.air$seasonal),col="blue") plot(as.ts(decompose.air$trend),col="blue") plot(as.ts(decompose.air$random),col="blue") plot(decompose.air,col="blue") # 保存文件 dev.off()
输出:
祝学习愉快!(内容编辑有误?请选中要编辑内容 -> 右键 -> 修改 -> 提交!)