Прогнозирование временных рядов данных

Я провел некоторое исследование, и я застрял в поиске решения. У меня есть временные ряды данных, очень базовый фрейм данных, позвоните ему x:

Date        Used
11/1/2011   587
11/2/2011   578
11/3/2011   600
11/4/2011   599
11/5/2011   678
11/6/2011   555
11/7/2011   650
11/8/2011   700
11/9/2011   600
11/10/2011  550
11/11/2011  600
11/12/2011  610
11/13/2011  590
11/14/2011  595
11/15/2011  601
11/16/2011  700
11/17/2011  650
11/18/2011  620
11/19/2011  645
11/20/2011  650
11/21/2011  639
11/22/2011  620
11/23/2011  600
11/24/2011  550
11/25/2011  600
11/26/2011  610
11/27/2011  590
11/28/2011  595
11/29/2011  601
11/30/2011  700
12/1/2011   650
12/2/2011   620
12/3/2011   645
12/4/2011   650
12/5/2011   639
12/6/2011   620
12/7/2011   600
12/8/2011   550
12/9/2011   600
12/10/2011  610
12/11/2011  590
12/12/2011  595
12/13/2011  601
12/14/2011  700
12/15/2011  650
12/16/2011  620
12/17/2011  645
12/18/2011  650
12/19/2011  639
12/20/2011  620
12/21/2011  600
12/22/2011  550
12/23/2011  600
12/24/2011  610
12/25/2011  590
12/26/2011  750
12/27/2011  750
12/28/2011  666
12/29/2011  678
12/30/2011  800
12/31/2011  750

Я очень ценю любую помощь в этом. Я работаю с данными временных рядов и должен иметь возможность создавать прогноз на основе исторических данных.

Сначала я попытался преобразовать его в xts:
```
x.xts <- xts(x$Used, x$Date)
```
Затем я преобразовал x.xts в регулярные временные ряды:
```
x.ts <- as.ts(x.xts)
```
Поместите значения в ets:
```
x.ets <- ets(x.ts)
```
Выполнено прогнозирование на 10 периодов:
```
x.fore <- forecast(x.ets, h=10)
```

x.fore:

   Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
87       932.9199 831.7766 1034.063 778.2346 1087.605
88       932.9199 818.1745 1047.665 757.4319 1108.408
89       932.9199 805.9985 1059.841 738.8103 1127.029
90       932.9199 794.8706 1070.969 721.7918 1144.048
91       932.9199 784.5550 1081.285 706.0153 1159.824
92       932.9199 774.8922 1090.948 691.2375 1174.602
93       932.9199 765.7692 1100.071 677.2849 1188.555
94       932.9199 757.1017 1108.738 664.0292 1201.811
95       932.9199 748.8254 1117.014 651.3717 1214.468
96       932.9199 740.8897 1124.950 639.2351 1226.605

Когда я пытаюсь построить x.fore, я получаю график, но ось x показывает числа, а не даты:

Я делаю правильные шаги? Как изменить ось x, чтобы читать даты показа?

Я благодарю вас за любой вклад.

Ответ 1

Вот что я сделал:

x$Date = as.Date(x$Date,format="%m/%d/%Y")
x = xts(x=x$Used, order.by=x$Date)
# To get the start date (305)
#     > as.POSIXlt(x = "2011-11-01", origin="2011-11-01")$yday
##    [1] 304
# Add one since that starts at "0"
x.ts = ts(x, freq=365, start=c(2011, 305))
plot(forecast(ets(x.ts), 10))

Результат:

Что мы можем извлечь из этого:

Многие из ваших шагов могут быть объединены, уменьшая количество промежуточных объектов, которые вы создаете.
Выход по-прежнему не такой красивый, как @joran, но он все еще легко читается. 2011.85 означает "число дней 365*.85" (день 310 в году).
Вычисление дня в году можно сделать, используя as.POSIXlt(x = "2011-11-01", origin="2011-11-01")$yday, и выяснить дату с номера дня можно, используя что-то вроде as.Date(310, origin="2011-01-01")

Update

Вы можете сбросить еще более промежуточные шаги, так как нет оснований для первого преобразования ваших данных в xts.

x = ts(x$Used, start=c(2011, as.POSIXlt("2011-11-01")$yday+1), frequency=365)
# NOTE: We have only selected the "Used" variable 
# since ts will take care of dates
plot(forecast(ets(x), 10))

Это дает тот же результат, что и изображение выше.

Обновление 2

Основываясь на решении, предоставленном @joran, вы можете попробовать:

# 'start' calculation = `as.Date("2011-11-01")-as.Date("2011-01-01")+1`
# No need to convert anything to dates at this point using xts
x = ts(x$Used, start=c(2011, 305), frequency=365)
# Directly plot your forecast without your axes
plot(forecast(ets(x), 10), axes = FALSE)
# Generate labels for your x-axis
a = seq(as.Date("2011-11-01"), by="weeks", length=11)
# Plot your axes.
# `at` is an approximation--there probably a better way to do this, 
# but the logic is approximately 365.25 days in a year, and an origin
# date in R of `January 1, 1970`
axis(1, at = as.numeric(a)/365.25+1970, labels = a, cex.axis=0.6)
axis(2, cex.axis=0.6)

Что даст:

Часть проблемы в исходном коде состоит в том, что после преобразования данных в объект xts и преобразования в объект ts вы теряете даты в своих точках forecast.

Сравните первый столбец (Point) вашего вывода x.fore со следующим:

> forecast(ets(x), 10)
         Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
2012.000       741.6437 681.7991 801.4884 650.1192 833.1682
2012.003       741.6437 676.1250 807.1624 641.4415 841.8459
2012.005       741.6437 670.9047 812.3828 633.4577 849.8298
2012.008       741.6437 666.0439 817.2435 626.0238 857.2637
2012.011       741.6437 661.4774 821.8101 619.0398 864.2476
2012.014       741.6437 657.1573 826.1302 612.4328 870.8547
2012.016       741.6437 653.0476 830.2399 606.1476 877.1399
2012.019       741.6437 649.1202 834.1672 600.1413 883.1462
2012.022       741.6437 645.3530 837.9345 594.3797 888.9078
2012.025       741.6437 641.7276 841.5599 588.8352 894.4523

Надеюсь, это поможет вам понять проблему с вашим оригинальным подходом и улучшить вашу способность работать с временными рядами в R.

Обновление 3

Финальное и более точное решение - потому что я избегаю другой работы, которую я должен делать прямо сейчас...

Используйте пакет lubridate для лучшей обработки даты:

require(lubridate)
y = ts(x$Used, start=c(2011, yday("2011-11-01")), frequency=365)
plot(forecast(ets(y), 10), xaxt="n")
a = seq(as.Date("2011-11-01"), by="weeks", length=11)
axis(1, at = decimal_date(a), labels = format(a, "%Y %b %d"), cex.axis=0.6)
abline(v = decimal_date(a), col='grey', lwd=0.5)

Результат:

Обратите внимание на альтернативный метод определения даты начала для вашего объекта ts.

Ответ 2

Если у вас нет предпочтений по конкретной модели, я предлагаю вам использовать тот, который применяется к большому диапазону ситуаций:

library(forecast)
t.ser <- ts(used, start=c(2011,1), freq=12)
t.ets <- ets(t.ser)
t.fc <- forecast(t.ets,h=10)

Это даст вам прогноз на следующие 10 месяцев.

Будучи более техническим, он использует метод экспоненциального сглаживания, что является хорошим выбором для общих ситуаций. В зависимости от типа данных может быть более подходящая модель для вашего использования, но ets - хороший общий выбор.

Важно подчеркнуть, что, поскольку у вас нет двух периодов (менее 24 месяцев), модель не может определить сазональность, и поэтому она не будет включена в вычисления.

Ответ 3

Изменение графика для отображения дат довольно просто, просто подавляя оси в исходном сюжете, а затем сами рисуя их:

plot(x.fore,axes = FALSE)
axis(2)
axis(1,at = pretty(1:72,n = 6),
       labels = (x$Date[1]-1) + pretty(1:72,n = 6),
       cex.axis = 0.65)