Question

我是R的新手并且发现这个网站非常有用，所以这涵盖了我的问题的后半部分（每个帖子一个问题）。谢谢你提前给予的帮助。

背景：我正在绘制历史数据，其中多个预测覆盖了视觉准确性检查。当在'观察'的x轴上显示时，这很有效。但是，当在x轴上绘制日期时，数据更容易理解，因此我使用ts（）将其设为时间序列，并按预期绘制时间序列数据。但是，（A）它没有在时间尺度上绘制预测数据，因为它们不是时间序列; （B）我不确定如何强制x轴加1年以允许显示预测。

问题：（A）如何将原始时间戳恢复为预测数据？我知道我可以手动重新创建时间序列，但这在预测的每次迭代中都是必需的。我考虑使用forecast（）而不是predict（），但是额外的预测迭代仍然存在不是时间序列的相同问题。 是否有一种简单的方法可以将原始时间戳恢复为预测数据？

  require(forecast)  [EDITED for clarity]

  data <- rep(cos(1:52*(3.1416/26)),5)*100+1000

  arima.ts <- ts(data,start=c(2009,1),frequency=52) #not plotted as time series

  # Create the current fit on data and predict one year out
  plot(arima.ts, type="l", xlab="weeks", ylab="counts",
  main="Overlay forecasts & actuals",
       sub="green=FIT(1-105,by 16) wks back & PREDICT(26) wks, blue=52 wks")
  ############## This plotted correctly as "Arima(data),..."
  arima.fit <- auto.arima(tail(arima.ts,156)) 
  arima.pred <- predict(arima.fit, n.ahead=52)
  lines(arima.pred$pred, col="blue")
  lines(arima.pred$pred+2*arima.pred$se, col="red")
  lines(arima.pred$pred-2*arima.pred$se, col="red")

  # Loop back and perform comparison plotting of forecast to actuals
  for (j in seq(1,105,by=16)) { 
    result <- tryCatch({
      ############## This plotted correctly as "Arima(head(data,-j),..."
      arima1.fit <- auto.arima(head(tail(arima.ts,-j),156))
      arima1.pred <- predict(arima1.fit, n.ahead=52)
      lines(arima1.pred$pred, col="green", lty=(numtests %% 6) + 1 )
    }, error = function(e) {return(e$message)}) ## Trap errors
  }

Answer 1

正在解决的核心问题是“如何将原始时间戳恢复为预测数据”。我通过试验和错误学到的是“配置，然后永远不会失去时间序列属性”通过应用这些步骤：

1：制作时间序列使用ts（）命令创建时间序列 2：子集时间序列使用'window（）'在'for（）'循环中创建时间序列的子集。在数据上使用'start（）'和'end（）'来显示时间轴位置 3：预测时间序列使用按时间序列运行的'forecast（）'或'predict（）'。
4：绘制时间序列绘制时间序列时，时间轴将使用lines（）命令正确对齐其他数据。 {绘图选项是用户偏好。}

这会使预测在正确的时间轴位置上绘制在历史数据上。

  require(forecast)     ### [EDITED for clarity]

  data <- rep(cos(1:52*(3.1416/26)),5)*100+1000
  a.ts <- ts(data,start=c(2009,1),frequency=52)

  ## Predict from previous '3' years then one year out & generate the plot
  a.win  <- window(a.ts,start=c(end(a.ts)[1]-3,end(a.ts)[2]),frequency=52)
  a.fit  <- auto.arima(a.win)  
  a.pred <- forecast(a.fit, h=52)
  plot(a.pred, type="l", xlab="weeks", ylab="counts",
       main="Overlay forecasts & actuals",
       sub="green=FIT(1-105,by 16) wks back & PREDICT(26) wks, blue=52 wks")

  for (j in seq(1, 90, by=8)) {   ## Loop to overlay early forecasts 
    result1 <- tryCatch({
      b.end   <- c(end(a.ts)[1],end(a.ts)[2]-j) ## Window the time series  
      b.start <- c(b.end[1]-3,b.end[2])
      b.window <- window(a.ts, start=b.start, end=b.end, frequency=52)

      b.fit  <-auto.arima(b.window) 
      b.pred <- forecast(b.fit, h=26)
      lines(b.pred$mean, col="green", lty="dashed" )
    }, error = function(e) {return(e$message)} ) ## Skip Errors
  }

Answer 2

install.packages(c("forecast"))

library(forecast)

# Load your data
data <- c(11,53,50,53,57,69,70,65,64,66,66,64,61,65,69,61,67,71,74,71,77,75,85,88,95,
          93,96,89,95,98,110,134,127,132,107,94,79,72,68,72,70,66,62,62,60,59,61,67,
          74,87,112,134,51,50,38,40,44,54,52,51,48,50,49,49,48,57,52,53,50,50,55,50,
          55,60,65,67,75,66,65,65,69,72,93,137,125,110,93,72,61,55,51,52,50,46,46,45,
          48,44,45,53,55,65,89,112,38,7,39,35,37,41,51,53,57,52,57,51,52,49,48,48,51,
          54,48,50,50,53,56,64,71,74,66,69,71,75,84,93,107,111,112,90,75,62,53,51,52,
          51,49,48,49,52,50,50,59,58,69,95,148,49,83,40,40,40,53,57,54,52,56,53,55,
          55,51,54,45,49,46,52,49,50,57,58,63,73,66,63,72,72,71,77,105,97,104,85,73,
          66,55,52,50,52,48,48,46,48,53,49,58,56,72,84,124,76,4,40,39,36,38,48,55,49,
          51,48,46,46,47,44,44,45,43,48,46,45,50,50,56,62,53,62,63)

data2 <- c(rnorm(237))

# Make data a time series, starting Jan 2009
data.ts<-ts(data, start=c(2009,1),frequency=52)
data2.ts<-ts(data2, start=c(2009,1),frequency=52)

# Plot just the time series
plot(data.ts)

# Do the arima (and other functions you wish)
fit <- arima(data.ts)
fit2 <- arima(data2.ts)
# This part should solve your timeseries problem
# h=1 specifies 1 frequency (or in this case, a week) ahead
data.forecast <- forecast(fit, h=1)
data2.forecast <- forecast(fit2,h=1)

#plot the forecast data
plot(data.forecast)

# suppose you have another data set, surpress the first graph
par(new=T)

# plot the next graph
plot(data2.forecast)

如果您需要进一步详细说明，请与我们联系。

有没有一种简单的方法可以将预测恢复为绘制时间序列？

2 个答案: