R中的每周和每年季节性

我有从2007年1月1日到2016年12月31日的每日电力负荷数据。我使用ts（）函数像这样加载数据

ts_load <- ts(data, start = c(2007,1), end = c(2016,12),frequency = 365)

我的问题是，我做得对吗？这是消除年度季节性的正确方法吗？消除每周季节性的正确方法是什么？

几点：

• ts

  序列必须具有规则间隔的点，并且每个循环中的点数相同。问题中规定了365的频率，但某些年份，即闰年，将有366点。特别是，如果希望频率为一年，则不能使用每日或每周数据而不进行调整，因为不同年份的天数不同，并且一年中的周数不是整数

• decompose

  不处理多个季节性事件。如果每周你指的是去除星期一、星期二等的影响，如果每年你指的是去除一年中的第一、第二等的影响，那么你要求的是多个季节性

• end=c（2017，12）

  指2017年的第12天，因为频率为365

forecast包中的

msts

函数可以处理多个和非整数季节性

基于R，另一种方法是通过线性模型来近似它，避免所有上述问题（但忽略相关性），我们将对此进行讨论

假设最后注释中重复显示的数据，我们定义了一周中的某一天，道琼斯指数和一年中的某一天，变量和具有截距和趋势的回归，然后在代码的最后一行构造截距加趋势加残差，以取消季节化。这不是绝对必要的，但我们使用了

scale

来去除

trend

的平均值，以便定义

data.ds

的三个术语是相互正交的——无论我们是否这样做，根据线性模型的属性，第三个术语将与其他两个术语正交

trend <- scale(seq_along(d), TRUE, FALSE)
dow <- format(d, "%a")
doy <- format(d, "%j")
fm <- lm(data ~ trend + dow + doy)
data.ds <- coef(fm)[1] + coef(fm)[2] * trend + resid(fm)

---

trend您可以使用dsa包中的dsa功能调整每日时间序列。与回归解决方案相比，它的优势在于，它考虑到季节的影响会随着时间的推移而变化，通常情况就是这样。
为了使用该函数，您的数据应该是xts格式（来自xts包）。因为在这种情况下，闰年不会被忽略。
代码将如下所示：

install.packages(c("xts", "dsa"))

data = rnorm(365.25*10, 100, 1)
data_xts <- xts::xts(data, seq.Date(as.Date("2007-01-01"), by="days", length.out = length(data)))

sa = dsa::dsa(data_xts, fourier_number = 24) 
# the fourier_number is used to model monthly recurring seasonal patterns in the regARIMA part

data_adjusted <- sa$output[,1]

安装包（c（“xts”、“dsa”））
数据=rnorm（365.25*10100,1）
数据\u xts请包括实际数据（使用
dput（head（data））
以便我们提供帮助you@RAB>dput（头部（负载））c（94275、97269、98686、98262、96839、97398）请将数据添加到原始注释中。请参阅：
set.seed(123)
d <- seq(as.Date("2007-01-01"), as.Date("2016-12-31"), "day")
n <- length(d)
trend <- 1:n
seas_week <- rep(1:7, length = n)
seas_year <- rep(1:365, length = n)
noise <- rnorm(n)
data <- trend + seas_week + seas_year + noise

install.packages(c("xts", "dsa"))

data = rnorm(365.25*10, 100, 1)
data_xts <- xts::xts(data, seq.Date(as.Date("2007-01-01"), by="days", length.out = length(data)))

sa = dsa::dsa(data_xts, fourier_number = 24) 
# the fourier_number is used to model monthly recurring seasonal patterns in the regARIMA part

data_adjusted <- sa$output[,1]