尝试绘制ARIMA预测时，R中的vec_math.yearweek错误

我根据我的原始数据集生成了一个ARIMA预测，我正在尝试使用ggplot来绘制数据。我收到的错误读取错误：

vec\u math.yearweek（）

未实现。如何更正此错误，使我不再收到错误

我正在尝试绘制两个变量，week和wk_vol

这是我正在运行的代码。还请注意，在使用AUTCLOT时，我会遇到相同的错误

forecast %>% ggplot(aes(x= week, y = wk_vol))+geom_line()

运行dput函数，我得到以下结构：

structure(list(.model = c("arima1", "arima1", "arima1", "arima1", 
"arima1", "arima1", "arima1", "arima1", "arima1", "arima1", "arima1", 
"arima1", "arima1", "arima1", "arima1", "arima1", "arima1", "arima1", 
"arima1", "arima1", "arima1", "arima1", "arima1", "arima1", "arima1", 
"arima1"), week = structure(c(18267L, 18274L, 18281L, 18288L, 
18295L, 18302L, 18309L, 18316L, 18323L, 18330L, 18337L, 18344L, 
18351L, 18358L, 18365L, 18372L, 18379L, 18386L, 18393L, 18400L, 
18407L, 18414L, 18421L, 18428L, 18435L, 18442L), class = c("yearweek", 
"vctrs_vctr")), wk_vol = c(1316.72042466193, 1234.51752709239, 
1175.91778489032, 1332.80903255866, 1484.79281876737, 1365.67061535353, 
1066.94870087541, 1269.16113653454, 1398.27340776577, 1511.32779697918, 
1821.06601904706, 1871.25561580257, 1725.87372040778, 1890.76930241993, 
1636.66080226716, 1775.80441429268, 1403.39449674274, 1303.14521282485, 
1612.00786589938, 1362.70829279138, 1135.30057574297, 1481.73816276555, 
1713.07997455903, 1487.42315637531, 1555.84897647107, 1222.0236771494
), .distribution = structure(list(list(mean = 1316.72042466193, 
    sd = 976.522977836466, .env = <environment>), list(mean = 1234.51752709239, 
    sd = 1381.01203922529, .env = <environment>), list(mean = 1175.91778489032, 
    sd = 1691.38741237122, .env = <environment>), list(mean = 1332.80903255866, 
    sd = 1953.04595567293, .env = <environment>), list(mean = 1484.79281876737, 
    sd = 2183.57176003286, .env = <environment>), list(mean = 1365.67061535353, 
    sd = 2391.98301780251, .env = <environment>), list(mean = 1066.94870087541, 
    sd = 2583.63694889553, .env = <environment>), list(mean = 1269.16113653454, 
    sd = 2762.024078438, .env = <environment>), list(mean = 1398.27340776577, 
    sd = 2929.55707086519, .env = <environment>), list(mean = 1511.32779697918, 
    sd = 3088.01428964329, .env = <environment>), list(mean = 1821.06601904706, 
    sd = 3238.7281260745, .env = <environment>), list(mean = 1871.25561580257, 
    sd = 3382.73373120188, .env = <environment>), list(mean = 1725.87372040778, 
    sd = 3520.85431646865, .env = <environment>), list(mean = 1890.76930241993, 
    sd = 3653.7573454433, .env = <environment>), list(mean = 1636.66080226716, 
    sd = 3781.99290863505, .env = <environment>), list(mean = 1775.80441429268, 
    sd = 3906.0207350385, .env = <environment>), list(mean = 1403.39449674274, 
    sd = 4026.22970086601, .env = <environment>), list(mean = 1303.14521282485, 
    sd = 4142.95223551039, .env = <environment>), list(mean = 1612.00786589938, 
    sd = 4256.47516700209, .env = <environment>), list(mean = 1362.70829279138, 
    sd = 4367.04802685869, .env = <environment>), list(mean = 1135.30057574297, 
    sd = 4474.88950595155, .env = <environment>), list(mean = 1481.73816276555, 
    sd = 4580.19254093758, .env = <environment>), list(mean = 1713.07997455903, 
    sd = 4683.12837039998, .env = <environment>), list(mean = 1487.42315637531, 
    sd = 4783.84980483607, .env = <environment>), list(mean = 1555.84897647107, 
    sd = 4882.49388907094, .env = <environment>), list(mean = 1222.0236771494, 
    sd = 4979.18408962754, .env = <environment>)), class = c("fcdist", 
"list"))), row.names = c(NA, -26L), key = structure(list(.model = "arima1", 
    .rows = structure(list(1:26), ptype = integer(0), class = c("vctrs_list_of", 
    "vctrs_vctr", "list"))), row.names = 1L, class = c("tbl_df", 
"tbl", "data.frame"), .drop = TRUE), index = structure("week", ordered = TRUE), index2 = "week", interval = structure(list(
    year = 0, quarter = 0, month = 0, week = 1, day = 0, hour = 0, 
    minute = 0, second = 0, millisecond = 0, microsecond = 0, 
    nanosecond = 0, unit = 0), .regular = TRUE, class = c("interval", 
"vctrs_rcrd", "vctrs_vctr")), response = list(wk_vol), dist = .distribution, model_cn = ".model", class = c("fbl_ts", 
"tbl_ts", "tbl_df", "tbl", "data.frame"))

结构（列表（.model=c（“arima1”、“arima1”、“arima1”、“arima1”），
“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”，
“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”，
“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”、“arima1”，
“arima1”），周=结构（c（18267L、18274L、18281L、18288L、，
18295L、18302L、18309L、18316L、18323L、18330L、18337L、18344L、，
18351L、18358L、18365L、18372L、18379L、18386L、18393L、18400L、，
18407L、18414L、18421L、18428L、18435L、18442L），等级=c（“年周”，
（1316.720424661931234.51752709239，
1175.91778489032, 1332.80903255866, 1484.79281876737, 1365.67061535353, 
1066.94870087541, 1269.16113653454, 1398.27340776577, 1511.32779697918, 
1821.06601904706, 1871.25561580257, 1725.87372040778, 1890.76930241993, 
1636.66080226716, 1775.80441429268, 1403.39449674274, 1303.14521282485, 
1612.00786589938, 1362.70829279138, 1135.30057574297, 1481.73816276555, 
1713.07997455903, 1487.42315637531, 1555.84897647107, 1222.0236771494
)分布=结构（列表）平均值=1316.72042466193，
sd=976.522977836466，.env=），列表（平均值=1234.51752709239，
sd=1381.01203922529，.env=），列表（平均值=1175.91778489032，
sd=1691.38741237122，.env=），列表（平均值=1332.80903255866，
sd=1953.04595567293，.env=），列表（平均值=1484.79281876737，
sd=2183.57176003286，.env=），列表（平均值=1365.67061535353，
sd=2391.98301780251，.env=），列表（平均值=1066.94870087541，
sd=2583.63694889553，.env=），列表（平均值=1269.16113653454，
sd=2762.024078438，.env=），列表（平均值=1398.2734077677，
sd=2929.557086519，.env=），列表（平均值=1511.32779697918，
sd=3088.01428964329，.env=），列表（平均值=1821.06601904706，
sd=3238.7281260745，.env=），列表（平均值=1871.25561580257，
sd=3382.73373120188，.env=），列表（平均值=1725.87372040778，
sd=3520.85431646865，.env=），列表（平均值=1890.76930241993，
sd=3653.7573454433，.env=），列表（平均值=1636.66080226716，
sd=3781.99290863505，.env=），列表（平均值=1775.80441429268，
sd=3906.0207350385，.env=），列表（平均值=1403.39449674274，
sd=4026.22970086601，.env=），列表（平均值=1303.14521282485，
sd=4142.95223551039，.env=），列表（平均值=1612.00786589938，
sd=4256.47516700209，.env=），列表（平均值=1362.70829279138，
sd=4367.04802685869，.env=），列表（平均值=1135.300574297，
sd=4474.88950595155，.env=），列表（平均值=1481.73816276555，
sd=4580.19254093758，.env=），列表（平均值=1713.07997455903，
sd=4683.12837039998，.env=），列表（平均值=1487.42315637531，
sd=4783.84980483607，.env=），列表（平均值=1555.84897647107，
sd=4882.49388907094，.env=），列表（平均值=1222.0236771494，
sd=4979.18408962754.env=），class=c（“fcdist”，
“list”）），row.names=c（NA，-26L），key=structure（list（.model=“arima1”，
.rows=structure（list（1:26），ptype=integer（0），class=c（“vctrs\u list\u of”，
“vctrs_vctr”，“list”）），row.names=1L，class=c（“tbl_df”，
“tbl”，“data.frame”），.drop=TRUE），index=structure（“week”，ordered=TRUE），index2=“week”，interval=structure（列表(
年=0，季度=0，月=0，周=1，日=0，小时=0，
分钟=0，秒=0，毫秒=0，微秒=0，
纳秒=0，单位=0），.regular=TRUE，class=c（“间隔”，
“vctrs_rcrd”、“vctrs_vctr”）、响应=列表（wk_vol）、分布=分布，模型为“.model”，类别为c（“fbl”，
“tbl_ts”、“tbl_df”、“tbl”、“data.frame”））

您使用的是最新版本的TSIBLE吗？您的

yearweek（）

对象的结构似乎不正确，请尝试使用最新版本的TSIBLE重新创建该对象

库（tsible）
图书馆（GG2）
tsibble（grp=“A”，idx=yearweek（1:10），y=rnorm（10），index=idx，key=grp）%>%
ggplot（aes（x=idx，y=y））+
geom_线（）

---

由（v0.3.0）于2020年6月15日创建。

它可能有助于说明您用于预测的包或启动

yearweek

vctrs类的函数。另外，我不认为ggplot2还没有在本地采用VCTR，因此将yearweek类转换为常规日期或datetime类可能更方便。我使用的是fable、fabletools、feasts和TSible。