R中具有日数据的时间序列模型
我有一个包含2年每日数据的数据集。数据类型有两个季节性成分(每周和每月,即每种类型的日的行为方式相似,每个月相同)。让我们忘掉每年不同日期的假期吧。我需要建立一个时间序列模型来预测一两个月的每日数据。我用不同的参数尝试了ARIMA,预测值总是平稳的 这是我的代码:R中具有日数据的时间序列模型,r,machine-learning,time-series,R,Machine Learning,Time Series,我有一个包含2年每日数据的数据集。数据类型有两个季节性成分(每周和每月,即每种类型的日的行为方式相似,每个月相同)。让我们忘掉每年不同日期的假期吧。我需要建立一个时间序列模型来预测一两个月的每日数据。我用不同的参数尝试了ARIMA,预测值总是平稳的 这是我的代码: df <read.csv("data.csv", header = TRUE, sep = ";") tseries <-ts(df[,2],start=1,frequency=7) -- also tried msts
df <read.csv("data.csv", header = TRUE, sep = ";")
tseries <-ts(df[,2],start=1,frequency=7) -- also tried msts but not working
ARIMAfit <- auto.arima(log10(tseries), approximation=FALSE,trace=FALSE)
Series: log10(tseries)
ARIMA(2,0,1)(2,0,0)[7] with non-zero mean
Coefficients:
ar1 ar2 ma1 sar1 sar2 intercept
-0.1203 0.2423 0.6590 0.3182 0.4490 2.0577
s.e. 0.1495 0.0900 0.1404 0.0330 0.0335 0.0508
sigma^2 estimated as 0.03187: log likelihood=222.5
AIC=-430.99 AICc=-430.84 BIC=-398.82
Training set error measures:
ME RMSE MAE MPE MAPE MASE
Training set 0.000745645 0.1777786 0.1273053 -0.7742803 6.340793 0.8641706
ACF1
Training set -0.00434844
pred <- predict(ARIMAfit, n.ahead = 500)
lines(10^(pred$pred),col="yellow")
df1)见此。使用虚拟变量估计每月和每周影响,同时搜索异常值、水平变化、时间趋势和每周影响变化(即季节性脉冲)
2) 为什么要记录数据?看看这个。
3) 发布数据,并注明日期和数据来源国。1)见此。使用虚拟变量估计每月和每周影响,同时搜索异常值、水平变化、时间趋势和每周影响变化(即季节性脉冲)
2) 为什么要记录数据?看看这个。
3) 发布数据,注明日期和数据来源国。听起来数据可以通过一组基函数回归建模,例如傅立叶分析。听起来数据可以通过一组基函数回归建模,例如傅立叶分析。