Wprowadzenie do analizy szeregów czasowych

Analiza szeregów czasowych służy do badania punktów danych gromadzonych w czasie oraz identyfikowania trendów, sezonowości i wzorców.

Wczytywanie danych szeregu czasowego

Użyj funkcji ts(), aby utworzyć obiekt szeregu czasowego w R.

data <- ts(c(100, 120, 130, 150, 170, 180), start=c(2020,1), frequency=12)
plot(data, main='Time Series Data')

Dekompozycja szeregu czasowego

Funkcja decompose() dzieli szereg czasowy na składniki trendu, sezonowy i losowy.

decomposed <- decompose(data)
plot(decomposed)

Identyfikowanie trendów

Średnie ruchome wygładzają wahania, ujawniając trendy długoterminowe.

library(zoo)
trend <- rollmean(data, k=3, fill=NA)
plot(data, type='l')
lines(trend, col='red', lwd=2)

Wykrywanie sezonowości

Sezonowość oznacza powtarzające się wzorce występujące w stałych odstępach czasu.

plot(decomposed$seasonal, main='Seasonal Component')

Autokorelacja w szeregach czasowych

Funkcja acf() mierzy korelacje między wartościami przeszłymi i bieżącymi.

acf(data, main='Autocorrelation Plot')

Prognozowanie za pomocą ARIMA

ARIMA (AutoRegressive Integrated Moving Average) to popularny model prognozowania szeregów czasowych.

library(forecast)
model <- auto.arima(data)
forecasted <- forecast(model, h=5)
plot(forecasted)

Ocena dokładności prognoz

Użyj średniego błędu bezwzględnego (MAE) i pierwiastka średniego błędu kwadratowego (RMSE), aby mierzyć dokładność prognoz.

accuracy(forecasted)

Podsumowanie

W tej lekcji nauczyli się Państwo:

• Jak tworzyć i analizować dane szeregów czasowych.
• Jak wykrywać trendy, sezonowość i autokorelację.
• Jak prognozować za pomocą ARIMA i oceniać przewidywania.