Анализ временных рядов

Анализ временных рядов используется для изучения точек данных, собранных во времени, а также для выявления тенденций, сезонности и закономерностей.

Используйте функцию ts(), чтобы создать объект временного ряда в R.

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

Функция decompose() разделяет временной ряд на компоненты тренда, сезонности и случайных колебаний.

decomposed <- decompose(data)
plot(decomposed)

Скользящие средние сглаживают колебания и помогают выявить долгосрочные тенденции.

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

Сезонность — это повторяющиеся закономерности, возникающие через фиксированные интервалы.

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

Функция acf() измеряет корреляции между прошлыми и текущими значениями.

acf(data, main='Autocorrelation Plot')

ARIMA (AutoRegressive Integrated Moving Average) — популярная модель прогнозирования временных рядов.

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

Используйте среднюю абсолютную ошибку (MAE) и среднеквадратичную ошибку (RMSE), чтобы измерить точность прогнозов.

accuracy(forecasted)

В этом уроке Вы узнали:

• как создавать и анализировать данные временных рядов;
• как выявлять тенденции, сезонность и автокорреляцию;
• как строить прогнозы с помощью ARIMA и оценивать их точность.