时间序分解Decompose.doc

时间序列分解算法和decompose函数实现 李思亮 目录 TOC \o 1-3 \h \z \u HYPERLINK \l _Toc371691265 时间序列分解算法和decompose函数实现 PAGEREF _Toc371691265 \h 1 HYPERLINK \l _Toc371691266 1 数据读入并生成时间序列 PAGEREF _Toc371691266 \h 1 HYPERLINK \l _Toc371691267 2 数据可视化 PAGEREF _Toc371691267 \h 3 HYPERLINK \l _Toc371691268 3 时间序列分解 PAGEREF _Toc371691268 \h 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 HYPERLINK /en/latest/ /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 HYPERLINK 时间序列分解Decompose.doc /tsdldata/misc/kings.dat，中包含了英国国王的寿命从William开始，数据来源（Hipel and Mcleod, 1994）。 kings - scan(/tsdldata/misc/kings.dat,skip=3) Read 42 items kings [1] 60 43 67 50 56 42 50 65 68 43 65 34 47 34 49 41 13 35 53 56 16 43 69 59 48 59 86 55 68 51 33 49 67 77 81 67 71 81 68 70 77 56 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) kingsts Time Series: Start = 1 End = 42 Frequency = 1 [1] 60 43 67 50 56 42 50 65 68 43 65 34 47 34 49 41 13 35 53 56 16 43 69 59 48 59 86 55 68 51 33 49 67 77 81 67 71 81 68 70 77 56 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 HYPERLINK /tsdldata/data/nybirths.dat /tsdldata/data/nybirths.dat 获取。我们将其读入至R中。 births - scan(/tsdldata/data/nybirths.dat) Read 168 items birthsTS-ts(births,frequency=12,start=c(1946,1)) birthsTS Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec 1946 26.663 23.598 26.931 24.740 25.806 24.364 24.477 23.901 23.175 23.227 21.672 21.870 1947 21.439