R语言ARIMA,SARIMA预测道路交通流量时间序列:季节性、周期性
最近我们被客户要求撰写关于时间序列的研究报告,包括一些图形和统计输出。
相关视频:在Python和R语言中建立EWMA,ARIMA模型预测时间序列
本文从实践角度讨论了季节性单位根。我们考虑一些时间序列 ,例如道路上的交通流量,
> plot(T,X,type="l")
> reg=lm(X~T)
> abline(reg,col="red")
如果存在趋势,我们应该将其删除,然后处理残差
> Y=residuals(reg)
> acf(Y,lag=36,lwd=3)
我们可以看到这里有一些季节性。第一个策略可能是假设存在季节性单位根,因此我们考虑 ,我们尝试找到ARMA模型。考虑时间序列的自相关函数,
> Z=diff(Y,12)
> acf(Z,lag=36,lwd=3)
或偏自相关函数
第一个图可能建议MA(1),而第二个图可能建议AR(1)时间序列。我们都尝试。
arima
Coefficients:ma1 intercept-0.2367 -583.7761
s.e. 0.0916 254.8805sigma^2 estimated as 8071255: log likelihood = -684.1, aic = 1374.2
可以认为是白噪声(如果您不确定,请尝试 Box-Pierce或Ljung-Box 测试)。
arima
Coefficients:ar1 intercept-0.3214 -583.0943
s.e. 0.1112 248.8735sigma^2 estimated as 7842043: log likelihood = -683.07, aic = 1372.15
也可以视为白噪声。到目前为止,我们有
对于一些白噪声 。这表明以下的SARIMA结构 ,
arima
Coefficients:ar1-0.2715
s.e. 0.1130sigma^2 estimated as 8412999: log likelihood = -685.62, aic = 1375.25
现在,如果我们认为我们没有季节性单位根,而在AR结构中只是一个大的自回归系数。让我们尝试类似
自然而然的猜测是该系数应该(可能)接近于1。让我们尝试一下
arima
Coefficients:ar1 sar1 intercept-0.1629 0.9741 -684.9455
s.e. 0.1170 0.0115 3064.4040sigma^2 estimated as 8406080: log likelihood = -816.11, aic = 1640.21
这与我们先前(以某种方式)获得的结果具有可比性,因此我们可以假设该模型是一个有趣的模型。我们将进一步讨论:第一个系数可能是不重要的。
这两个模型有什么区别?
从(非常)长期的角度来看,模型是完全不同的:一个模型是平稳的,因此预测将趋向于平均值,而另一个模型则是按季节的,因此置信区间将增加。我们得到
> pre(model2,600,b=60000)
对于平稳的
> prev(model3,600,b=60000)
但是,使用这些模型进行的预测仅适用于短期范围。在这种情况下,这里的预测几乎相同,
> pre(model2,36,b=60000)
> pre(model3,36,b=60000)
现在,如果我们回到第二个模型,自回归系数可能被认为是不重要的。如果我们将其删除怎么样?
Call:
seasonal = list(order = c(1, 0, 0)
Coefficients:sar1 intercept0.9662 -696.5661
s.e. 0.0134 3182.3017sigma^2 estimated as 8918630: log likelihood = -817.03, aic = 1640.07
如果我们看一下(短期)预测,我们得到
> pre(model,36,b=32000)
有什么区别吗?如果我们看一下预测结果数字,我们会得到
数字不同,但差异不大(请注意置信区间的大小)。这可以解释为什么在R中,当我们在自回归过程时 ,得到一个模型要估计的参数,即使其中不重要,我们通常也会保留它们来预测。
R语言ARIMA,SARIMA预测道路交通流量时间序列:季节性、周期性相关推荐
- R语言ARIMA集成模型预测时间序列分析
全文链接:http://tecdat.cn/?p=18493 本文我们使用4个时间序列模型对每周的温度序列建模.第一个是通过auto.arima获得的,然后两个是SARIMA模型,最后一个是Buys- ...
- 通过R语言做灰色预测
通过R语言做灰色预测 GM(1,1)模型的定义 数据的检验与处理 数据的生成 级比检验 GM(1,1)建模 生成累加数据和均值数据 构造矩阵BBB及数据向量YYY,有 计算: 建立模型,求解,并还原数 ...
- (转载)R语言ARIMA时间序利
原链接: https://www.cnblogs.com/silverangel/p/10132361.html 基于R语言的时间序列分析预测 数据来源: R语言自带 Nile 数据集(尼罗河流量) ...
- R语言指数平滑预测法分析南京出租车打车软件空载率时间序列补贴政策可行性...
报告链接:http://tecdat.cn/?p=32161 本文通过建立空载率的数学模型,帮助客户来分析出租车的空载率,从而对出租车补贴政策能否提高高峰期的实载率,缓解打车难问题进行了说明(点击文末 ...
- R语言glm模型预测(predict)过程及Error in eval(predvars, data, env) 错误原因
R语言glm模型预测(predict)过程及Error in eval(predvars, data, env) 错误原因 目录 R语言glm模型预测(predict)过程及Error in eval ...
- 《MATLAB 神经网络43个案例分析》:第32章 小波神经网络的时间序列预测——短时交通流量预测
<MATLAB 神经网络43个案例分析>:第32章 小波神经网络的时间序列预测--短时交通流量预测 1. 前言 2. MATLAB 仿真示例 3. 小结 1. 前言 <MATLAB ...
- 交通 流量 时间序列预测,神经网络 机器学习 BPNN
交通 流量 时间序列预测 神经网络 机器学习 BPNN 代码 MLR MLP LSTM 深度学习 数据+程序+分析报告 MATLAB 源码 技术交流 资源共享 博主QQ:68823886 原创文章,转 ...
- R语言easier包预测免疫治疗响应
[生信笔记]R语言easier包预测免疫治疗响应 这个包发表于2021年,以患者的RNA序列数据作为输入,来预测免疫治疗的结果.文章的DOI是:doi: 10.1016/j.patter.2021.1 ...
- R语言多层桑基图_流量结构分布图——桑基图(Sankey)
桑基图作为相对复杂的图表种类,平时很少用到,不仅仅是因为它的引用场景相对狭窄,另一方面则是制作难度相对较大,门槛较高. 不过针对第一个问题,如果你能很好地理解自己所涉及到的业务数据结构及想要表达和呈现 ...
最新文章
- 用再生龙Clonezilla 来克隆Linux
- 完课率最高 | 带学吴恩达《机器学习》课程和作业,带打Kaggle全球顶级大赛!...
- 致:WWF技术博客领跑者WXWINTER--兰竹梅菊.春夏秋冬
- CodeForces - 1348C Phoenix and Distribution(思维)
- tcp/ip四层和osi七层
- windows 安装 mysql 5.6
- 计算机应用基础2016高起专,2016年秋季《计算机应用基础(高起专)》期末考核
- 运维之我的docker-不要在给你的docker安装ssh server
- Debian系统关闭iptables的conntrack跟踪
- 【起航计划 027】2015 起航计划 Android APIDemo的魔鬼步伐 26 App-Preferences-Preferences from XML 偏好设置界面...
- C语言回溯算法求幂集,回溯法与树的遍历 - 求幂集
- 《2018春运大数据预测报告》发布:今年春运将呈现北松南紧”!
- 计算机与网络时间同步,电脑时间同步,小编教你怎么让电脑时间和网络时间同步...
- 磁共振指纹压缩感知框架
- touch.pageX/touch.screenX/touch.clientX的区别
- http-parser用法
- 杂谈:渐进增强与优雅降级
- python神图。。。
- unity3d如何获知场景中需要加载的数据_游戏中遮挡剔除方案总结
- 中小企业怎样搭建软件安全开发流程和规范
热门文章
- 向苹果提交bug时的糟心经历
- partition by mysql_详解Oracle查询中OVER (PARTITION BY ..)用法
- 云产品--游戏加速云产品(已过期)
- U-boot 2016.11 代码结构 dra7xx
- 利用wangEditor富文本上传图片及文本并回显
- Stress命令Linux性能测试,压力测试工具(Centos演示)
- 大前端时代,如何做好C 端业务下的React SSR?\n
- 获取抖音账户的粉丝列表
- Intent初级学习
- iPhone 11忘记了密码怎么办?