使用R的时间序列预测

Question

我有以下R代码

library(forecast)
value <- c(1.2, 1.7, 1.6, 1.2, 1.6, 1.3, 1.5, 1.9, 5.4, 4.2, 5.5, 6, 5.6, 
6.2, 6.8, 7.1, 7.1, 5.8, 0, 5.2, 4.6, 3.6, 3, 3.8, 3.1, 3.4, 
2, 3.1, 3.2, 1.6, 0.6, 3.3, 4.9, 6.5, 5.3, 3.5, 5.3, 7.2, 7.4, 
7.3, 7.2, 4, 6.1, 4.3, 4, 2.4, 0.4, 2.4)

sensor<-ts(value,frequency=24)
fit <- auto.arima(sensor)
LH.pred<-predict(fit,n.ahead=24)
plot(sensor,ylim=c(0,10),xlim=c(0,5),type="o", lwd="1")
lines(LH.pred$pred,col="red",type="o",lwd="1")
grid()

结果图是

但我对预测并不满意。有没有办法让预测看起来与之前的价值趋势相似（见图表）？

Answer 1

当您将频率定义为24时，我假设您每个周期24小时（每天）工作，因此您的历史数据集中大约有2个周期。一般来说，这是有限的样本数据，以启动时间序列预测。我建议您获取更多数据，然后再次进行预测模型。您拥有的数据越多，它就越能抓住季节性因素，从而预测未来的价值。有限的可用自动算法，如auto.arima，通常默认类似于移动平均线。您的数据集应该比移动平均值更好，因为周期中有一些季节性。有许多预测算法可以帮助您更好地塑造前向曲线;像Holt-Winters或其他指数平滑方法之类的东西可能有所帮助。然而，auto.arima也是一个不错的选择（我会首先尝试看看我能用这个做什么）。

获取更多数据并完成相同的例程将改善您的图表。就个人而言，我更喜欢使用forecast而不是predict;数据似乎和图表一样好，因为它显示了您的置信区间。在代码中，我还通过复制两个句点来扩展数据集，因此我们有四个句点。请参阅以下结果：

library(forecast)
value <- c(1.2,1.7,1.6, 1.2, 1.6, 1.3, 1.5, 1.9, 5.4, 4.2, 5.5, 6.0, 5.6, 6.2, 6.8, 7.1, 7.1, 5.8, 0.0, 5.2, 4.6, 3.6, 3.0, 3.8, 3.1, 3.4, 2.0, 3.1, 3.2, 1.6, 0.6, 3.3, 4.9, 6.5, 5.3, 3.5, 5.3, 7.2, 7.4, 7.3, 7.2, 4.0, 6.1, 4.3, 4.0, 2.4, 0.4, 2.4, 1.2,1.7,1.6, 1.2, 1.6, 1.3, 1.5, 1.9, 5.4, 4.2, 5.5, 6.0, 5.6, 6.2, 6.8, 7.1, 7.1, 5.8, 0.0, 5.2, 4.6, 3.6, 3.0, 3.8, 3.1, 3.4, 2.0, 3.1, 3.2, 1.6, 0.6, 3.3, 4.9, 6.5, 5.3, 3.5, 5.3, 7.2, 7.4, 7.3, 7.2, 4.0, 6.1, 4.3, 4.0, 2.4, 0.4, 2.4)
sensor <- ts(value,frequency=24) # consider adding a start so you get nicer labelling on your chart. 
fit <- auto.arima(sensor)
fcast <- forecast(fit)
plot(fcast)
grid()
fcast
         Point Forecast     Lo 80    Hi 80      Lo 95    Hi 95
3.000000       2.867879 0.8348814 4.900877 -0.2413226 5.977081
3.041667       3.179447 0.7369338 5.621961 -0.5560547 6.914950
3.083333       3.386926 0.7833486 5.990503 -0.5949021 7.368754
3.125000       3.525089 0.8531946 6.196984 -0.5612211 7.611400
3.166667       3.617095 0.9154577 6.318732 -0.5147025 7.748892

Answer 2

auto.arima（）根据AIC，AICc或BIC值返回最佳ARIMA模型。根据您的“价值”数据集，它可能选择了ARMA（1,0）或AR（1）模型，正如您所看到的那样，它们很快就会恢复到平均值。从长远来看，这种情况总会发生在AR（1）模型中，所以如果你想预测前面的几个步骤，它就不是很有用了。

您可以通过分析价值数据的acf和pacf来考虑拟合不同类型的模型。然后，您需要检查您的替代模型是否适合数据。

Answer 3

您可能需要考虑使用Moving Average来更准确地绘制预测。

Answer 4

我建议在https://code.google.com/p/ltp/查看ltp包 您还可以查看https://github.com/matteoredaelli/predictoR

上的网络前端