Question

我有一个周期性的时间序列，几年的气温，我希望能够预测它的未来价值。

我已经计算了一年中每个小时值的可用年份的平均值，这是正常的，但它显然非常嘈杂，因为我只有4年的数据。

前进的方法可能是进行高斯平滑处理，但更好的选择可能是使样条适合它。
我搜索并找到lm.circular，这看起来像是一个可行的候选解决方案
- 它没有任何指定公式的方法，因此无法让它适合样条曲线。
- 我使用1阶多项式尝试lm.circular，但出现了一个实际问题：内存不足。请注意，标准lm几乎是即时的，并且在相同的数据上使用没有明显的内存
- 我也试过要求它适合Von Mises（type ='c-l'），它问我'init'参数，我无法从描述中理解我应该放什么进入'init'？
使用普通lm并不是一个真正的选择，因为它会在期末任何一端产生可怕的结果。
我想另一种可能性是使用ets / HoltWinters，时间序列频率等于一年中的小时数？

我不太确定哪种方式是最好的前进方式，但我怀疑这是一个非常常见的问题，并且可能有非常标准的方法来处理它？</ p>

Answer 1

好的，我最终找到了一种超级简单的方法。您不需要任何花哨的包，只需使用标准lm并将余弦和正弦应用于时间线：

model <- lm( y ~ I(sin(x/periodlength*2*pi) * I(cos(x/periodlength*2*pi)), trainingdata )

....然后你可以根据自己的内容调整这个公式。

（编辑：哦，是的，它超级快，不会占用太多内存）。

Answer 2

我使用ARIMA预测未来值

就像这样

fit <- auto.arima(values)//for getting order of ARIMA
//here values-> time series data

future.values<-predict(fit,n.ahead=24)//used for predicting future values
//n.ahead-> u can give the maximum number of values you want to predict

以下链接将帮助您了解更多详情

http://www.jstatsoft.org/v27/i03/paper

注意：＆＃34;值＆＃34;必须是时间序列数据。如果不是我们可以转换为时间序列数据喜欢 values.ts＆lt; -ts（values，frequency =）

平滑周期时间序列的适当方法？

2 个答案: