我这里还有三个方面做的:
library(lubridate)
library(xts)
library(dplyr)
library(forecast)
df$Date = mdy(df$Date)
删除周日:
ts_no_sunday = df %>%
filter(wday(df$Date) != 1) %>%
{xts(.$Units, .$Date)}
plot(ts_no_sunday)
no_sunday_arima = auto.arima(ts_no_sunday)
plot(forecast(no_sunday_arima, h = 10))
为NAS替换周日:
ts_sunday = df %>%
mutate(Units = replace(Units, which(wday(df$Date) == 1), NA)) %>%
{xts(.$Units, .$Date)}
plot(ts_sunday)
sunday_arima = auto.arima(ts_sunday)
plot(forecast(sunday_arima, h = 10))
内插星期日:
ts_interp = df %>%
mutate(Units = replace(Units, which(wday(df$Date) == 1), NA),
Units = na.approx(Units)) %>%
{xts(.$Units, .$Date)}
plot(ts_interp)
interp_arima = auto.arima(ts_interp)
plot(forecast(interp_arima, h = 10))
备注:
正如人们所看到的,它们会产生不同的预测。这是因为第一个时间序列是不规则的,第二个是具有缺失值的常规时间序列,第三个是具有插值数据的规则时间序列。在我看来,处理缺失值的更好方法是在拟合ARIMA之前进行插值,因为ARIMA假定时间序列是有规律的间隔的。但是,这也取决于您的“缺失”数据点是否真的缺失,而不是停止活动。前者应该用插值处理,而对于后者,您可能更好地移除星期日,并将时间序列视为不存在星期日。
查看 和讨论这个对Using the R forecast package with missing values and/or irregular time series
查看是否解决方案[这里](https://stackoverflow.com/questions/21008166/adding-missing-dates-to-dataframe)为你工作? –
因此,你基本上想要从日历中删除所有星期日,并假设星期一直接在星期六后直接?也许你可以用1 =第一个星期一,7 =下个星期一等数字来表示你的日子,等等?作为一个方面说明:我有点怀疑纯ARIMA可以很好地描述每周周期。 –
嗨,感谢您的评论。我的意思是,我的系列在每个星期天都有零价值,因为它是关于产品的销售,而这家商店在星期日不工作,因此未来所有星期日的预期价值为零。我确实有星期一到星期六的数据,但考虑到我在星期天有这些零值,我对如何运行arima模型感到非常困惑 –