以下是三种方法:
library(lubridate)
library(xts)
library(dplyr)
library(forecast)
df$Date = mdy(df$Date)
删除周日:
ts_no_sunday = df %>%
filter(wday(df$Date) != 1) %>%
{xts(.$Units, .$Date)}
plot(ts_no_sunday)
no_sunday_arima = auto.arima(ts_no_sunday)
plot(forecast(no_sunday_arima, h = 10))
用 NA 替换星期日:
ts_sunday = df %>%
mutate(Units = replace(Units, which(wday(df$Date) == 1), NA)) %>%
{xts(.$Units, .$Date)}
plot(ts_sunday)
sunday_arima = auto.arima(ts_sunday)
plot(forecast(sunday_arima, h = 10))
插入星期日:
ts_interp = df %>%
mutate(Units = replace(Units, which(wday(df$Date) == 1), NA),
Units = na.approx(Units)) %>%
{xts(.$Units, .$Date)}
plot(ts_interp)
interp_arima = auto.arima(ts_interp)
plot(forecast(interp_arima, h = 10))
笔记:
正如人们所看到的,它们产生了不同的预测。这是因为第一个时间序列是不规则的,第二个是具有缺失值的规则时间序列,第三个是具有插值数据的规则时间序列。在我看来,处理缺失值的更好方法是在拟合 ARIMA 之前进行插值,因为 ARIMA 假设时间序列是有规律的间隔的。然而,这也取决于您的“缺失”数据点是否真的缺失,而不是活动停止。前者应该用插值处理,而对于后者,您最好删除星期日并将时间序列视为星期日不存在。
请参阅有关如何处理不存在或丢失的数据?
这在使用带有缺失值和/或不规则时间序列的 R 预测包