时间序列分析——基于R(第2版)—第6章

这篇具有很好参考价值的文章主要介绍了时间序列分析——基于R(第2版)—第6章。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

6-1 1962年1月至1975年12月牛奶月产奶量

  1. 分析它们受哪些确定性因素的影响,为该序列选择适当的确定性因素分解模型
  2. 提取该序列的趋势效应
  3. 提取该序列的季节效应
  4. 用指数平滑法对该序列做2年期预测
  5. 用arima季节模型拟合并预测该序列的发展
  6. 比较分析使用过的三种模型的拟合精度
x=ts(E6_1$x,start=c(1962,1),frequency = 12)
plot(x)
fit1=decompose(x)#因素分解法
fit1$trend#提取该序列的趋势效应
plot(fit1$trend)
fit1$figure#取该序列的季节效应
plot(1:12,fit1$figure,type="o",xlab="Month")
fit2=HoltWinters(x)#使用HoltWinters加法模型拟合该序列的发展
fit2
library(forecast)
fore=forecast(fit2,h=24)
plot(fore)
lines(fore$fitted,col=2)
acf(diff(x))
pacf(diff(x))
#用arima季节模型拟合
fit3=arima(x,order = c(1,1,0),seasonal = list(order=c(0,1,1),period=12))
fit3
plot(x)
lines(fitted(fit3),col=2)

c(mean(na.exclude(fit1$random)^2),mean(x-fit2$fit[,1]^2),mean(fit3$residuals^2))


#因素分解和HoltWinters三参数指数平滑无法计算AIC,BIC的值,单纯考虑方差是因素分解方法拟合的模型方差最小;基于信息量最小法则是arima模型拟合精度最高
#1 该序列受到趋势、季节、随机波动等三个因素的影响。由于季节性没有随趋势变化而发生显著变化,可以选择加法模型分解各因素。
#2 提取该序列的趋势效应(趋势数据见 fi$Strend ,具体数据略),趋势效应图如下:
#3 提取该序列的季节效应(季节效应数据见 fit $ figure ,具体数据略))。季节效应图如下
#4 使用HoltWinters加法模型拟合该序列的发展,并做2年期预测,相关参数如下


6-2 根据美国国家安全委员会统计,1973-1978年美国月度事故死亡数据

  1. 分析它们受哪些确定性因素的影响,为该序列选择适当的确定性因素分解模型
  2. 提取该序列的趋势效应
  3. 提取该序列的季节效应
  4. 用指数平滑法对该序列做2年期预测
  5. 用arima季节模型拟合并预测该序列的发展
  6. 比较分析使用过的三种模型的拟合精度
x=ts(E6_2$x,start=c(1973,1),frequency = 12)
plot(x)
fit1=decompose(x)#因素分解法
fit1$trend#提取该序列的趋势效应
plot(fit1$trend)
fit1$figure#取该序列的季节效应
plot(1:12,fit1$figure,type="o",xlab="Month")
fit2=HoltWinters(x)#使用HoltWinters加法模型拟合该序列的发展
fit2
library(forecast)
fore=forecast(fit2,h=24)
plot(fore)
lines(fore$fitted,col=2)
acf(diff(x))
pacf(diff(x))
#用arima季节模型拟合
fit3=arima(x,order = c(1,1,0),seasonal = list(order=c(0,1,1),period=12))
fit3
plot(x)
lines(fitted(fit3),col=2)

c(mean(na.exclude(fit1$random)^2),mean(x-fit2$fit[,1]^2),mean(fit3$residuals^2))
#因素分解和HoltWinters三参数指数平滑无法计算AIC,BIC的值,单纯考虑方差是因素分解方法拟合的模型方差最小

6-6 我国1949-2008 年末人口总数

  1. 考察该序列的特征,选择多个模型拟合,并比较优劣
  2. 选择最优模型,对2009-2016人口总人数进行预测
x=ts(E6_6$x,start=c(1949,1),frequency = 12)
plot(x)
fit1=HoltWinters(x,gamma = F)
fit1
acf(diff(x))
pacf(diff(x))
fit2=arima(x,order=c(1,1,0))
fit2
c(mean(x-fit1$fit[,1])^2,mean(fit2$residuals^2))#

library(forecast)
fore=forecast(fit2,h=24)
plot(fore)
lines(fore$fitted,col=2)
#1 1949-2008年我国人口总数序列为显著的线性递增序列,可以使用 holt 两参数指数平滑法进行趋势拟合和预测,或使用 ARIMA (1,1,0)模型进行拟合和预测。
#2 ARIMA (1,1,0)模型拟合效果最优的模型相对最优,该模型参数估计结果如下

6-7 艾奥瓦州1948-1979年非农产品季度收入数据

  1. 绘制时序图,考察该序列的确定性因素特征
  2. 选择适当的因素对该序列进行拟合
  3. 对该序列进行为期5年的预测
x=ts(E6_7$x,start=c(1948,1),frequency = 12)
plot(x)
fit1=HoltWinters(x,gamma = F)
fit1
library(aTSA)
adf.test(diff(x))
adf.test(diff(diff(x)))
acf(diff(diff(x)))
pacf(diff(diff(x)))
fit2=arima(x,order = c(0,2,16),transform.pars = F,fixed = c(NA,0,0,0,0,0,0,0,0,0,0,0,0,0,0,NA))
fit2
c(mean(x-fit1$fit[,1])^2,mean(fit2$residuals^2))#
#拟合效果是疏系数arima(0,2,(1,16))相对较优
library(forecast)
fore=forecast::forecast(fit2,h=20)
plot(fore)
lines(fore$fitted,col=2)
#1 该序列时序图显示典型的非线性趋势,可以用 Holt - Winters 指数平滑模型拟合也可以用2阶差分的 ARIMA 模型拟合。时序图如下
#2 拟合效果是疏系数 ARIMA (0,2,(1,16))相对较优。该模型的参数估计情况为


6-8 某城市1980 1月至1995 8月每月屠宰生猪数量

  1. 绘制时序图,考察该序列的确定性因素特征
  2. 选择适当的模型对该序列进行拟合
  3. 对该序列进行为期5年的预测
x=ts(E6_8$x,start=c(1980,1),frequency = 12)
plot(x)
#该序列时序图具有季节效应,趋势效应和随机波动
fit1=decompose(x)#因素分解法
plot(fit1)
fit2=HoltWinters(x);fit2# 使用Holt - Winters 模型对该序列进行预测
plot(fit2)
library(forecast)
fore1=forecast::forecast(fit2,h=20)
plot(fore1)
lines(fore1$fitted,col=2)
#或使用arima模型预测
library(aTSA)
adf.test(diff(diff(x,12)))
fit3=arima(x,order=c(2,1,0),seasonal = list(order=c(0,1,1),period=12))
fit3
fore2=forecast::forecast(fit3,h=60)
plot(fore2)
lines(fore2$fitted,col=2)


6-9 某欧洲小镇1963年1月至1976年12月每月旅馆入住的房间数如表

  1. 考察该小镇旅馆入住情况的规律
  2. 根据该序列呈现的规律,用多种方法拟合,,比较效果
  3. 选择拟合效果最好的模型,预测该序列未来3年旅馆入住的情况
x=ts(E6_9$x,start=c(1963,1),frequency = 12)
plot(x)#该序列时序图显示出显著的线性递增趋势和年度季节效应
fit1=HoltWinters(x,seasonal = "multi");fit1#使用Holt - Winters 模型对该序列进行预测
library(forecast)
fore1=forecast::forecast(fit1,h=36)
plot(fore1)
lines(fore1$fitted,col=2)
library(aTSA)
adf.test(diff(diff(x,12)))
fit2=arima(x,order=c(1,1,1),seasonal = list(order=c(0,1,1),period=12))#或使用arima模型预测·
fit2
fore2=forecast::forecast(fit2,h=36)
plot(fore2)
lines(fore2$fitted,col=2)


 文章来源地址https://www.toymoban.com/news/detail-765299.html

到了这里,关于时间序列分析——基于R(第2版)—第6章的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 时间序列分析——基于R(第2版)—第6章

    6-1 1962年1月至1975年12月牛奶月产奶量 分析它们受哪些确定性因素的影响,为该序列选择适当的确定性因素分解模型 提取该序列的趋势效应 提取该序列的季节效应 用指数平滑法对该序列做2年期预测 用arima季节模型拟合并预测该序列的发展 比较分析使用过的三种模型的拟合精

    2024年02月04日
    浏览(43)
  • 基于PyTorch+LSTM的交通客流预测(时间序列分析)

    大家好,我是阿光。 本专栏整理了《PyTorch深度学习项目实战100例》,内包含了各种不同的深度学习项目,包含项目原理以及源码,每一个项目实例都附带有完整的代码+数据集。 正在更新中~ ✨ 🚨 我的项目环境: 平台:Windows10 语言环境:python3.7 编译器:PyCharm PyTorch版本:

    2023年04月16日
    浏览(48)
  • R——《时间序列分析——基于R》第5章 无季节效应的非平稳序列分析 习题1

    目录 1.导入数据并绘图 2.进行一阶差分并绘制该序列时序图 3.判断该序列的平稳性与纯随机性 4.考察该序列的自相关系数和偏自相关系数的性质 5.选择适当模型拟合该序列的发展 5.1. ARIMA(1,1,0)不带漂移项 5.2. ARIMA(1,1,0)带漂移项 5.3. ARIMA(0,1,1)不带漂移项   5.4. ARIMA(0,1,1)带漂移项

    2024年02月08日
    浏览(41)
  • 时间序列分析——基于R(第2版)—第2章习题答案

    2.2 1975-1980年夏威夷岛莫那罗亚火山每月释放的CO2数据 绘制时序图,并判断该序列是否平稳 计算该序列的样本自相关系数 绘制自相关图,并解释该图形 自相关系数长期位于0轴的一边,这是具有单调趋势序列的典型特征;同时呈现出正弦波动规律,这是具有周期性变化规律的

    2024年02月07日
    浏览(39)
  • GEE:基于GLDAS数据集分析土壤湿度的时间序列变化

    作者:CSDN @ _养乐多_ 本篇博客将介绍如何使用Google Earth Engine(GEE)进行土壤湿度数据的分析。我们将使用NASA GLDAS(Global Land Data Assimilation System)数据集,其中包括了关于土壤湿度的信息。通过该数据集,我们将了解土壤湿度在特定区域和时间段内的变化,并生成时间序列图

    2024年02月07日
    浏览(46)
  • 基于LSTM深度学习网络的时间序列分析matlab仿真

    目录 1.算法运行效果图预览 2.算法运行软件版本 3.部分核心程序 4.算法理论概述 5.算法完整程序工程   matlab2022a        LSTM是一种循环神经网络(RNN)的变体,专门设计用于处理序列数据。LSTM网络通过记忆单元和门控机制来捕捉时间序列中的长期依赖关系,避免了传统RNN中

    2024年02月12日
    浏览(53)
  • 时间序列预测 | Matlab自回归差分移动平均模型ARIMA时间序列预测

    效果一览 文章概述 时间序列预测 | Matlab自回归差分移动平均模型ARIMA时间序列预测,单列数据输入模型 评价指标包括:MAE、RMSE和R2等,代码质量极高,方便学习和替换数据。要求2018版本及以上。 部分源码

    2024年02月13日
    浏览(50)
  • 计算机竞赛 基于大数据的时间序列股价预测分析与可视化 - lstm

    🔥 优质竞赛项目系列,今天要分享的是 🚩 毕业设计 大数据时间序列股价预测分析系统 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🥇学长这里给一个题目综合评分(每项满分5分) 难度系数:3分 工作量:3分 创新点:3分 🧿 更多资料, 项目分享: https://gite

    2024年02月11日
    浏览(40)
  • Python数据分析案例42——基于Attention-BiGRU的时间序列数据预测

    承接上一篇的学术缝合,排列组合模型,本次继续缝合模型演示。 Python数据分析案例41——基于CNN-BiLSTM的沪深300收盘价预测-CSDN博客 虽然我自己基于各种循环神经网络做时间序列的预测已经做烂了.....但是还是会有很多刚读研究生或者是别的领域过来的小白来问这些神经网络

    2024年04月15日
    浏览(37)
  • 互联网加竞赛 基于大数据的时间序列股价预测分析与可视化 - lstm

    🔥 优质竞赛项目系列,今天要分享的是 🚩 毕业设计 大数据时间序列股价预测分析系统 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🥇学长这里给一个题目综合评分(每项满分5分) 难度系数:3分 工作量:3分 创新点:3分 🧿 更多资料, 项目分享: https://gite

    2024年01月15日
    浏览(49)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包