stl-decomposition

    1熱度

    1回答

    我試圖使用dshw()來處理雙重季節性 - 在我的情況下,每天的數據與一週(7天)和一年365天)季節性。但是,當我運行我的代碼時,出現以下錯誤: data<-msts(1:1000, seasonal.periods=c(7,365), ts.frequency=365, start=2012) decompose<-dshw(data, period1=7, period2=365) --

    0熱度

    1回答

    我使用具有外生變量的矢量自迴歸模型對具有季節性的日常訂單進行建模。我使用了具有適合模型功能的'變量'包。我得到的預測沒有使用外生變量,但我必須包括它們。當我將它們包括在內時,我的預測就成爲了新手。我不明白爲什麼會發生這種情況。我的外生變量矩陣包括市場信息和大量的零和一些。它是一個1218 x 123大小的矩陣。我的內生變量是一個1218 x 4大小的矩陣。 R代碼如下。我真的需要幫助解決如何用我的

    1熱度

    2回答

    我期待着用大量季節性組件來分解日常銷售數據(使ARIMA流程的365天的季節性過長)。但是,其他因素解釋了時間序列中的某些部分,包括影響數據的常規營銷事件。我想以類似於在ARIMA中包含外生變量的方式使用R的stl函數,但我沒有看到有任何地方可以將外生變量加入到混合中。相反,我在單獨的迴歸中將外生變量應用於「剩餘」部分,但擔心由於上述定期營銷事件而導致的stl季節性錯誤。 有關如何解決此問題的任何

    0熱度

    1回答

    我們可以使用下面的代碼來繪製和分解R中時間序列: # Monthly Airline Passenger Numbers 1949-1960 data(AirPassengers) data = data.frame(AirPassengers) data #Transform to time series ts.data1 = ts(data=as.vector(t(data['Ai

    2熱度

    1回答

    我想用廣義加模型來調查R.時間序列數據我的數據是月度,我想估計季節效應和較長的運行趨勢的影響。我跟隨由加文·辛普森一些有用的帖子here和here: 我的數據是這樣的: 我有充分的數據集可在我的github上page: 我有試圖用流暢的季節性走勢來看指定一個廣義相加模型如下: df <- read.csv('trips.csv') head(df) # A tibble: 27

    3熱度

    1回答

    我使用R和forecast package來構建一些時間序列模型。 現在,我正在處理多季節性數據,使用tbats函數。 當繪製擬合模型,我得到一個時間序列組件的情節。我的問題是,slope組件的含義是什麼? (我無法在文檔中找到它)。 代碼: fit <- tbats(co2, use.trend= TRUE, use.box.cox = TRUE, seasonal.periods = c(12

    5熱度

    3回答

    我想從一個TS剔除季節性。這個特定的ts是每天的,並且具有每年和每週的季節性週期(頻率365和7)。 爲了去除兩者,我曾嘗試進行與頻率的TS設定爲365 STL(),提取趨勢和剩餘物,和新的TS的頻率設定爲7之前,並重復。 這似乎並不奏效非常好,我想知道它是否是我的方法,或固有的,這是造成我的問題TS東西。任何人都可以批評我的方法論,也許可以推薦一種替代方法嗎?