📌  相关文章
📜  R时间序列分析

📅  最后修改于: 2021-01-08 10:09:18             🧑  作者: Mango

R时间序列分析

在规则的时间间隔内测量的任何度量标准都会创建一个时间序列。由于工业上的必要性和相关性，时间序列的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时间序列。

一天中股票在不同时间点的价格是时间序列的最简单示例。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，处理和绘制时间序列数据的函数。在R对象中，时间序列数据称为时间序列对象。就像矢量或数据帧一样。

创建时间序列

R提供ts()函数来创建时间序列。 ts()函数的语法如下：

Timeseries_object_name<-  ts(data, start, end, frequency)

这里，

S.No Parameter Description
1. data It is a vector or matrix which contains the value used in time series.
2. start It is the start time for the first observation
3. end It is the end time for the last observation
4. frequency It specifies the number of observations per unit time.

让我们看一个示例，以了解ts()函数如何用于创建时间序列。

例：

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R时间序列对象，并将其绘制出来。

# Getting the data points in form of a R vector.
snowfall <- c(790,1170.8,860.1,1330.6,630.4,911.5,683.5,996.6,783.2,982,881.8,1021)
# Convertting it into a time series object.
snowfall_timeseries<- ts(snowfall,start = c(2013,1),frequency = 12)
# Printing the timeseries data.
print(snowfall_timeseries)
# Giving a name to the chart file.
png(file = "snowfall.png")
# Plotting a graph of the time series.
plot(snowfall_timeseries)
# Saving the file.
dev.off()

输出：


什么是固定时间序列?

固定时间序列是以下时间序列：

  • 时间序列的平均值随时间恒定。这意味着趋势分量被声明为空。
  • 差异不应随时间增加。
  • 季节性影响应最小。

这意味着它没有季节趋势图样，无论观察到的时间间隔如何，都类似于随机的白噪声。

简而言之，平稳的时间序列是其统计特性(例如均值，方差和自相关等)都随时间恒定的序列。

提取趋势，季节性和误差

我们可以通过将时间序列分为三个部分来分解时间序列，例如季节性，趋势和随机波动。

时间序列分解是将一个时间序列转换成多个时间序列的数学过程。

季节性：

在一段时间内重复的图案

趋势：

矩阵的潜在趋势。

随机：

它是除去季节和趋势序列后原始时间序列的残差。

加法和乘法分解

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，则意味着当时间序列的值增加时季节性变化不发生变化，则我们使用加法模型，否则使用乘法模型。

让我们看一个逐步的过程，以了解如何使用加法和乘法模型分解时间序列。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。

步骤1：加载数据并创建时间序列

对于加性模型

#Importing library fpp
library(fpp)
#Using ausbeer data
data(ausbeer)
#Creating time series for ausbeer dataset
timeserie.beer = tail(head(ausbeer, 17*4+2),17*4-4)
# Giving a name to the chart file.
png(file = "time.png")
plot(as.ts(timeserie_beer), col="magenta")
# Saving the file.
dev.off()

输出：

对于乘法模型

#Importing library Ecdat
library(Ecdat)
#Using AirPassengers data
data(AirPassengers)
#Creating time series  for AirPassengers dataset
timeserie_air = AirPassengers
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(timeserie_air))
# Saving the file.
dev.off()

输出：

步骤2：检测趋势

对于加性模型

#Detecting trend
trend.beer = ma(timeserie.beer, order = 4, centre = T)
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(timeserie.beer),col="red")
lines(trend.beer,col="red")
plot(as.ts(trend.beer),col="red")
# Saving the file.
dev.off()

输出1：

输出2：

对于乘法模型：

#Detecting trend
trend.air = ma(timeserie.air, order = 12, centre = T)
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(timeserie.air),col="blue")
lines(trend.air,col="blue")
plot(as.ts(trend.air),col="blue")
# Saving the file.
dev.off()

输出1：

输出2：

步骤3：时间序列趋势

对于加性模型

#Detrend the time series.
detrend.beer=timeserie.beer-trend.beer
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(detrend.beer),col="magenta")
# Saving the file.
dev.off()

输出：

对于乘法模型

#Detrend of time series
detrend.air=timeserie.air / trend.air
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(detrend.air),col="blue")
# Saving the file.
dev.off()

输出：

步骤4：平均季节性

对于加性模型

#Average the seasonality
m.beer = t(matrix(data = detrend.beer, nrow = 4))
seasonal.beer = colMeans(m.beer, na.rm = T)
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(rep(seasonal.beer,16)),col="magenta")
# Saving the file.
dev.off()

输出：

对于乘法模型

#Average the seasonality 
m.air = t(matrix(data = detrend.air, nrow = 12))
seasonal.air = colMeans(m.air, na.rm = T)
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(rep(seasonal.air,12)),col="blue")
# Saving the file.
dev.off()

输出：

步骤5：检查剩余的随机噪声

对于加性模型

# Examining the Remaining Random Noise
random.beer = timeserie.beer - trend.beer - seasonal.beer
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(rep(random.beer)),col="magenta")
# Saving the file.
dev.off()

输出：

对于乘法模型

# Examining the Remaining Random Noise
random.air = timeserie.air / (trend.air * seasonal.air)
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(random.air),col="blue")
# Saving the file.
dev.off()

输出：

步骤5：重建原始信号

对于加性模型

#Reconstruction of original signal
recomposed.beer=trend.beer+seasonal.beer+random.beer
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(recomposed.beer),col="magenta")
# Saving the file.
dev.off()

输出1：

对于乘法模型

#Reconstruction of original signal
recomposed.air = trend.air*seasonal.air*random.air
# Giving a name to the file.
png(file = "time.png")
plot(as.ts(recomposed.air),col="blue")
# Saving the file.
dev.off()

输出：

使用decompose()进行时间序列分解

对于加性模型

#Importing libraries
library(forecast)
library(timeSeries)
library(fpp)
#Using ausbeer data
data(ausbeer)
#Creating time series
timeserie.beer = tail(head(ausbeer, 17*4+2),17*4-4)
#Detect trend
trend.beer = ma(timeserie.beer, order = 4, centre = T)
#Detrend of time series
detrend.beer=timeserie.beer-trend.beer
#Average the seasonality
m.beer = t(matrix(data = detrend.beer, nrow = 4))
seasonal.beer = colMeans(m.beer, na.rm = T)
#Examine the remaining random noise
random.beer = timeserie.beer - trend.beer - seasonal.beer
#Reconstruct the original signal 
recomposed.beer = trend.beer+seasonal.beer+random.beer
#Decomposed the time series
ts.beer = ts(timeserie.beer, frequency = 4)
decompose.beer = decompose(ts.beer, "additive")
# Giving a name to the file.
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")
# Saving the file.
dev.off()

输出：

对于乘法模型

#Importing libraries
library(forecast)
library(timeSeries)
library(fpp)
library(Ecdat)
#Using Airpassengers data
data(AirPassengers)
#Creating time series
timeseries.air = AirPassengers
#Detect trend
trend.air = ma(timeseries.air, order = 12, centre = T)
#Detrend of time series
detrend.air=timeseries.air / trend.air
#Average the seasonality
m.air = t(matrix(data = detrend.air, nrow = 12))
seasonal.air = colMeans(m.air, na.rm = T)
#Examine the remaining random noise
random.air = timeseries.air / (trend.air * seasonal.air)
#Reconstruct the original signal
recomposed.air = trend.air*seasonal.air*random.air
#Decomposed the time series
ts.air = ts(timeseries.air, frequency = 12)
decompose.air = decompose(ts.air, "multiplicative")

# Giving a name to the file.
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")

# Saving the file.
dev.off()

输出：