R学习笔记(2)——SARIMA模型
来源:互联网 发布:金字塔软件好用吗 编辑:程序博客网 时间:2024/06/13 01:13
昨天做完ARIMA的模型,由于对于其中seasonal部分的不理解,外加我的用电负荷模型应该满足一个季节特征,因此得到建议去了解一下SARIMA模型
先看相关教程:《R语言时间序列分析》
memo:
(1)将数据从文本文件中读取 : kings<-scan("adress",skip=n) 其中,adress为文件地址,skip参数可以略去文件中前n行的数据,注意数据在文本文件中的排列必须为一行一个数据
(2)我们在R中使用ts()函数将数据存储到一个时间序列对象中去:kingstimeseries <- ts(kings)
增加参数设置birthstimeseries <- ts(births, frequency=12, start=c(1946,1)),前式为月度数据,第一个时间节点为1946年1月
(3)绘制时间序列图:plot.ts(kingstimeseries)
(4)分解非季节性数据:在R 的"TTR" 包中的SMA()函数可以用简单的移动平均来平滑时间序列数据。作用?
(5)分解季节性数据:我们可以使用R 中"decompose()" 函数来估计。这个函数可以估计出时间序列中趋势的、季节性的和不规则的部分,而此时间序列须是可以用相加模
型描述的。" decompose()" 这个函数返回的结果是一个列表对象,里面包含了估计出的季节性部分,趋势部分和不规则部分,他们分别对应的列表对象元素名为“seasonal" 、”trend“ 、和"random” 。
birthstimeseriescomponents < - decompose(birthstimeseries)
我们可以输出季节性部分的估计值:> birthstimeseriescomponents$seasonal #get the estimated values of the seasonal component
(6)使用forecast. HoltWinters()返回的样本内预测误差将被存储在一个元素名为"residuals" 的列表变量中。如果预测模型不可再被优化,连续预测中的预测误差是不相关的。换句话说,如果连续预测中的误差是相关的,很有可能是简单指数平滑预测可以被另一种预测技术优化。
(7)ARIMA模型:差分得到平稳时间序列,对于平稳性正式的检验对于平稳性正式的检验称作"单位根测试",可以在fUnitRoots 包中得到,可以在CRAN 中获得fUnitRoots 包而
运行。
acf(kingtimeseriesdiff1, lag.max=20) # plot a correlogram
acf(kingtimeseriesdiff1, lag.max=20, plot= FALSE) #get the autocorrelation values
- R学习笔记(2)——SARIMA模型
- R学习笔记(1)——ARIMA模型
- 【R笔记】R机器学习(一)——一元回归模型
- 【R笔记】R机器学习(四)——logistics回归模型
- R 学习笔记( 2 )
- R语言学习笔记——R语言绘图
- R语言学习笔记2——常用数学函数
- R语言学习笔记2——数据集
- R语言学习笔记——基础
- R语言学习笔记——1
- R学习笔记——RMySQL使用
- R语言学习笔记——函数
- 统计学习笔记(2)——感知机模型
- 统计学习笔记(2)——感知机模型
- 统计学习笔记(2)——感知机模型
- 统计学习笔记(2)——感知机模型
- 统计学习笔记(2)——感知机模型
- 统计学习笔记(2)——感知机模型
- 关于win8.1,win10重启需要重新设置环境变量的解决方法
- UMeng崩溃日志分析
- nginx之location基础配置及location最佳实践
- Ubuntu ERROR 1698 (28000): Access denied for user 'root'@'localhost'
- uflo杂记
- R学习笔记(2)——SARIMA模型
- iOS扩展—Document Provider
- java设计模式之享元模式
- wav文件格式分析
- PS修改一寸照片
- iOS动态库的开发
- 每天学习一算法系列(4) (输入一个整形数组,数组里有正数也有负数,数组中连续的一个或多个整数组成一个子数组,每个子数组都有一个和)
- 变量的自增、自减、自乘、自除
- 漫话中国古代史 —— 遥远的神话传说