平滑週期時間序列的適當方法？

我有幾年的氣溫週期性時間序列，我希望能夠預測它的未來值。平滑週期時間序列的適當方法？

我已經計算出的平均值在可用的年價值在今年，其工程確定的每一個小時，但它顯然是相當嘈雜，因爲我只是有四年的數據。

單向前進可能是做高斯平滑，但更好的選擇可能是將樣條擬合到它。
我搜查，發現lm.circular，它看起來像一個可行的解決方案的候選人。
- 它沒有指定任何式方式，所以沒有要求它適合樣的方式。
- 我試圖lm.circular使用1次多項式，但一個現實的問題出現了：它耗盡了內存。請注意，一個標準的lm幾乎是瞬間的，並且在相同的數據上使用沒有明顯的內存
- 我也試着要求它適合一個Von Mises（type ='c-l'），它問我一個'init '參數，並且我從描述中無法真正理解我應該放入'init'中的內容嗎？
使用正常的lm不是一個真正的選擇，因爲它會在期間的任何一端產生可怕的結果。
我想另一種可能性是使用ets/HoltWinters，時間序列頻率等於一年中的小時數？

我不太確定哪種方式是最好的方式，但我懷疑這是一個很常見的問題，並且可能有非常標準的處理方法？

2012-10-28 Hugh Perkins

好吧，我發現在最後一個超級簡單的方法。你不需要任何花哨的包裝，只需使用標準lm和應用正弦和餘弦的時間表：

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

...。然後你可以調整這個公式你的心臟的內容。

（編輯：噢，這是超級快，不會使用太多的內存）。

來源

2012-10-28 07:08:28

這是一種方法，但它可能會導致一個沒有任何意義的模型（並且其結果非常糟糕）。 –

我使用ARIMA預測未來值

正是這樣

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

下面的鏈接將幫助您瞭解更多的細節

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

注：「值「必須是時間序列數據。如果我們不能將時間序列數據轉換爲，如 values.ts < -ts（values，frequency =）

來源

2012-10-29 05:55:41 Nandu

arima可以處理非平穩系列嗎？它與迴歸和ets/HoltWinters相比如何？ –

我給了汽車。arima a shot;我承認我沒有意識到我應該正常化東西。由此產生的損失對我來說確實很好。看看這張圖，它忽略了任何趨勢，並且在預測未來預測的情況下會出現一些小雞，並且就我看到的情況而言，它只會產生一個抑制振動，漸近於一條直線？ –

平滑週期時間序列的適當方法？

回答

相關問題