时间序列分解decompose

《时间序列分解decompose》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、时间序列分解算法和decompose函数实现李思亮55531469@qq.com目录时间序列分解算法和decompose函数实现11数据读入并生成时间序列12数据可视化33时间序列分解6在时间序列分析的过程中，往往需要对时间序列作出初步分析，本文主要采用R语言作为分析平台，从数据的读入，可视化图，分解（decompose）为趋势项，季节项，随机波动等角度对数据开展分析的几个案例。最后对分解算法作出初步描述并探讨其预测预报中的潜在应用。本文的数据和部分内容主要采用http://a-little-book-of-r-for-time-series.readthedocs.org/

2、en/latest/中的内容，感兴趣的读者可以参考。1数据读入并生成时间序列对于数据分析来讲，数据读入是一个比较关键的步骤。常用的数据读入函数有scan，read.table等。下面列举了几种常见的数据。首先是http://robjhyndman.com/tsdldata/misc/kings.dat，中包含了英国国王的寿命从William开始，数据来源（HipelandMcleod,1994）。>kings<-scan("http://robjhyndman.com/tsdldata/misc/kings.dat",skip=3)Read42items>kings[1]60

3、4367505642506568436534473449411335535616436959485986556851334967778167718168707756上述例子中，读入了连续42个公国国王的寿命并将其赋给变量‘kings’如果我们希望对读入数据开展分析，下一步就是将其转化为时间序列对象（时间序列类），R提供了很多函数用于分析时间序列类数据。可以使用ts函数将变量转化为时间序列类。>kingsts<-ts(kings)>kingstsTimeSeries:Start=1End=42Frequency=1[1]60436750564250656843653447344

4、9411335535616436959485986556851334967778167718168707756对于上述数据操作的好处是将数据转化为特定的“时间序列类”便于我们使用R中的函数分析数据。有时候我们会按照一定的时间周期来收集数据，这个周期可能是季度，月，日，小时，分。在大数据时代，有些情况下的数据是按照秒来采集收集。这种情况下，我们需要对数据的周期或频率进行设置。这里采用ts函数中的frequency参数可以实现这种功能。比方说，若按1年为一个周期，我们的月度时间序列数据应为frequency=12，若为季度时间序列数据，则可设置frequency=4。另外，还可以

5、利用start参数，设置时间序列的起点，比如若我们一个周期共4个观测，而第一个数据对应为1986年的起的第2个观测，则可使用start=c(1986,2)。有一个纽约市月出生数量的数据集，从1946年1月至1959年12月。数据可通过http://robjhyndman.com/tsdldata/data/nybirths.dat获取。我们将其读入至R中。>births<-scan("http://robjhyndman.com/tsdldata/data/nybirths.dat")Read168items>birthsTS<-ts(births,frequency=12,

6、start=c(1946,1))>birthsTSJanFebMarAprMayJunJulAugSepOctNovDec194626.66323.59826.93124.74025.80624.36424.47723.90123.17523.22721.67221.870194721.43921.08923.70921.66921.75220.76123.47923.82423.10523.11021.75922.073194821.93720.03523.59021.67222.22222.12323.95023.50422.23823.14221.05921.57319

7、4921.54820.00022.42420.61521.76122.87424.10423.74823.26222.90721.51922.025195022.60420.89424.67723.67325.32023.58324.67124.45424.12224.25222.08422.991195123.28723.04925.07624.03724.43024.66726.45125.61825.01425.11022.96423.981195223.79822.27024.77522.646