拓端tecdat|R语言用ARIMA模型预测巧克力的兴趣趋势时间序列

全文链接：http://tecdat.cn/?p=18850 

原文出处：拓端数据部落公众号

相关视频：在Python和R语言中建立EWMA，ARIMA模型预测时间序列

 

 

在本文中我们对在Google趋势上的关键字“ Chocolate ”序列进行预测。序列如下

1.  
    
2.  
   > report = read.csv(url,skip=6,header=FALSE,nrows=636)
3.  
    
4.  
   > plot(X,type="l")

每月建立一个ARIMA模型比每周建立一个容易。因此，我们将每月数据序列化，将预测与观察结果进行比较。

1.  
    
2.  
   > Y = tapply(base$X,as.factor(base$AM),mean)
3.  
   > Z = ts(as.numeric(Y[1:(146-24)]), start=c(2004,1),frequency=12)

在这里转换序列的对数序列。我们观察到趋势的变化（开始时是线性的，此后相对稳定）。

1.  
    
2.  
   > X=log(as.numeric(Z))
3.  
    
4.  
   > trend=lm(X~T+I((T-80)*(T>80)),data=db)

这是我们要建模的序列残差，

residuals(trend)
 

要对该序列进行建模，我们可以先查看其自相关序列

>  plot(acf(Y,lag=36),lwd=5)

和偏自相关序列

> plot(pacf(Y,lag=36),lwd=5)

该序列是稳定的，但是有很强的周期性成分。我们可以尝试AR模型或ARMA（带有AR的残差不是白噪声）。

1.  
   arima(Y,order=c(12,0,12),
2.  
   + seasonal = list(order = c(0, 0, 0 , period = 12 )

这里的残差序列是白噪声

然后，我们可以使用此模型对初始序列进行预测

1.  
    
2.  
    
3.  
   > Y2=tapply(base$X,as.factor(base$AM),mean)
4.  
    
5.  
   > lines(futur,obs_reel,col="blue")

我们的模型为红色，真实的观察结果为蓝色。然后，我们可以根据这24个观测值计算误差平方和。

1.  
   > sum( (obs_reel-Xp)^2 )
2.  
   [1] 190.9722

但是我们可以尝试其他模型，例如通过更改趋势或通过更改ARIMA模型（通过季节性单位根）来尝试

1.  
    
2.  
   > E=residuals(model3)
3.  
   > model3
4.  
    
5.  
   Coefficients:
6.  
   ma1 ma2 sma1
7.  
   0.2246 0.3034 -0.9999
8.  
   s.e. 0.0902 0.0925 0.3503
9.  
    
10.  
    sigma^2 estimated as 0.002842: log likelihood = 152.37, aic = -296.75

我们检查残差序列确实是白噪声

1.  
    
2.  
   Box-Pierce test
3.  
    
4.  
   data: E
5.  
   X-squared = 6.326, df = 12, p-value = 0.8988

然后，我们可以对原始系列进行预测，

1.  
    
2.  
   > Yp=predict(model3,n.ahead=24) +
3.  
   + predict(trend,newdata=data.frame(T=futur)
4.  
    
5.  
   > Y2=tapply( X,as.factor( AM),mean)

误差平方和低一些

1.  
   > sum( (obs_reel-Xp)^2 )
2.  
   [1] 173.8138

也就是说，在过去的两年中，第二个模型比以前的模型要好，是对未来几年进行预测的好方法。

---

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测