时间序列分析
学习分析和预测随时间收集的数据，并使用自相关和趋势检测方法
时间序列分析 是 CoddyKit 上的免费 R Academy 课时。 这是第 2 节课，共 3 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 R Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 R Academy 课程共包含 3 节课。
时间序列分析简介
时间序列分析简介
时间序列分析用于研究随时间收集的数据点，并识别趋势、季节性和模式。
加载时间序列数据
加载时间序列数据
使用 ts() 函数在 R 中创建时间序列对象。
data <- ts(c(100, 120, 130, 150, 170, 180), start=c(2020,1), frequency=12)
plot(data, main='Time Series Data')分解时间序列
分解时间序列
decompose() 函数将时间序列拆分为趋势、季节性和随机成分。
decomposed <- decompose(data)
plot(decomposed)识别趋势
识别趋势
移动平均可以平滑波动，从而显示长期趋势。
library(zoo)
trend <- rollmean(data, k=3, fill=NA)
plot(data, type='l')
lines(trend, col='red', lwd=2)检测季节性
检测季节性
季节性是指以固定间隔重复出现的模式。
plot(decomposed$seasonal, main='Seasonal Component')时间序列中的自相关
时间序列中的自相关
acf() 函数用于衡量过去值与当前值之间的相关性。
acf(data, main='Autocorrelation Plot')使用 ARIMA 进行预测
使用 ARIMA 进行预测
ARIMA（AutoRegressive Integrated Moving Average）是一种常用的时间序列预测模型。
library(forecast)
model <- auto.arima(data)
forecasted <- forecast(model, h=5)
plot(forecasted)评估预测准确度
评估预测准确度
使用平均绝对误差 (MAE) 和均方根误差 (RMSE) 衡量预测准确度。
accuracy(forecasted)总结
总结
在本课中，您学习了：
- 如何创建和分析时间序列数据。
- 如何检测趋势、季节性和自相关。
- 如何使用 ARIMA 进行预测并评估预测结果。
常见问题解答
「时间序列分析」课时是免费的吗？
是的 — 「时间序列分析」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 R Academy 课程的其余内容，请升级到 CoddyKit PRO。 R Academy 课程共包含 3 节课。
「时间序列分析」这节课中我会学到什么？
学习分析和预测随时间收集的数据，并使用自相关和趋势检测方法 你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 R Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 R Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 2 节课，共 3 节。
「时间序列分析」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 R Academy 课中编写并运行代码吗？
能。每节 R Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。