R ts média móvel

Série de tempo e Previsão de R tem amplas instalações para analisar dados de séries temporais. Esta seção descreve a criação de uma série temporal, decomposição sazonal, modelagem com modelos exponenciais e ARIMA e previsão com o pacote de previsão. Criando uma série de tempo A função ts () converte um vetor numérico em um objeto de séries temporais R. O formato é ts (vetor, começo, fim, frequência) onde o início e o fim são os tempos da primeira e última observação e a frequência é o número de observações por unidade de tempo (1 anual, 4quarquíssimo, 12 meses, etc.). Salve um vetor numérico que contenha 72 observações mensais de janeiro de 2009 a dezembro de 2017 como um objeto de séries temporais (myvector, startc (2009, 1), endc (2017, 12), freqüência12) subaquem as séries temporais (junho de 2017 a Dezembro de 2017) myts2 lt - window (myts, startc (2017, 6), endc (2017, 12)) trama série trama (mits) Decomposição sazonal Uma série de tempo com componentes aditivos, sazonais e irregulares pode ser decomposta usando o stl () Função. Note-se que uma série com efeitos multiplicativos pode muitas vezes ser transformada em série com efeitos aditivos através de uma transformação de log (ou seja, newts lt-log (myts)). Descomposição sazonal ajuste lt stl (myts, s. windowperiod) trama (ajuste) parcelas adicionais monthplot (myts) biblioteca (previsão) seasonplot (myts) Modelos exponenciais Tanto a função HoltWinters () na instalação base e a função ets () No pacote de previsão, pode ser usado para caber modelos exponenciais. Simples exponencial - nível de modelos cabido lt - HoltWinters (myts, betaFALSE, gammaFALSE) duplo exponencial - nível de modelos e ajuste de tendência lt - HoltWinters (myts, gammaFALSE) triplo exponencial - modelos de nível, tendência e componentes sazonais cabem lt - HoltWinters (myts) Previsão de precisão da previsão preditiva (previsão) (ajuste) previsão dos próximos três previsão de biblioteca de valores futuros (previsão) (ajuste, 3) trama (previsão (ajuste, 3)) Modelos ARIMA A função arima () pode ser usada para caber uma movimentação integrada autorregressiva Modelo médio. Outras funções úteis incluem: versão atrasada das séries temporais, deslocadas para trás k observações. Tenho uma série de séries temporais no pacote ggplot2 e eu executei a média móvel e gostaria de adicionar o resultado da média móvel ao enredo das séries temporais. Exemplo de conjunto de dados (p31): ambtemp dt -1,14 2007-09-29 00:01:57 -1.12 2007-09-29 00:03:57 -1.33 2007-09-29 00:05:57 -1.44 2007 -09-29 00:07:57 -1,54 2007-09-29 00:09:57 -1,29 2007-09-29 00:11:57 Código aplicado para a apresentação da série temporal: Amostra do gráfico médio móvel Amostra dos resultados esperados O O desafio é que os dados da série temporal obtidos a partir do conjunto de dados, que incluem timestamps e temperatura, mas os dados médios móveis incluem apenas a coluna média e não os timestamps e a montagem desses dois podem causar inconsistência.