问题标签 [time-series]

我有一堆时间序列，每个时间序列由两个组件描述，一个时间戳向量（以秒为单位）和一个测量值向量。时间向量是不均匀的（即以不规则的间隔采样）

我正在尝试计算每个 1 分钟间隔值的平均值/标准差（取 X 分钟间隔，计算其平均值，取下一个间隔，...）。

我当前的实现使用循环。这是我到目前为止的一个示例：

我想知道是否有更快的矢量化解决方案。这很重要，因为我有大量时间序列要处理的时间比上面显示的样本要长得多。

欢迎任何帮助。

谢谢大家的反馈。

我更正了t生成方式总是单调递增（排序），这不是一个真正的问题..

另外，我可能没有清楚地说明这一点，但我的意图是在几分钟内找到任何间隔长度的解决方案（1 分钟只是一个例子）

嘿伙计们，

我正忙于处理时间序列，并试图找到允许我插入四分之一计数变量的命令。为简单起见，1995 年第三季度（我的观察开始日期）应该是 -2 季度，1995 年第四季度应该是 -1 等到 2006 年（到那时应该在 45 左右）。我的日期是 date9 格式，例如 20JUN04 等。

谁能帮助我完成在 SAS 中工作所需的命令？

谢谢

我正在尝试在给定邮政编码或一组纬度/经度坐标的情况下获取当前天气。执行此操作（以及 NOAA 如何执行此操作）的最佳实践似乎是获取气象站的 XML 提要。

示例： http ://www.weather.gov/xml/current_obs/KEDW.xml

唯一的问题是 NOAA 没有提供一个很好的方法来找到给定邮政编码或坐标的最近气象站，而且我没有看到任何可以提供此映射的托管 Web 服务。

有谁知道任何网络服务可以在给定邮政编码或坐标输入的情况下获取最近的气象站？如果没有，是否有人有任何很好的解决方案可以提供与 NOAA 类似的信息，但需要输入邮政编码或坐标？

我有两个指数的时间序列，每一行代表同一天的收盘价。我想转到第 30 行并回顾过去 30 天的“天”并计算皮尔逊相关性。然后将该值存储在一个新向量中。然后，对整个时间序列重复计算。

这是 Excel 中的一项微不足道的任务，所以我相信它可以在 R 中完成。虽然我不知道要使用的方法。

我有需要分析的高频商品价格数据。我的目标是不假设任何季节性成分，而只是确定趋势。这是我在使用 R 时遇到问题的地方。我知道有两个主要函数可以用来分析这个时间序列：decompose() 和 stl()。问题是它们都采用频率参数大于或等于 2 的 ts 对象类型。有什么方法可以假设每单位时间的频率为 1 并且仍然使用 R 分析这个时间序列？恐怕如果我假设每单位时间的频率大于 1，并且使用频率参数计算季节性，那么我的预测将取决于该假设。

我希望频率为每单位时间 1，但是 decompose() 和 stl() 不起作用！

谢谢你。

我想知道是否有人可以抽出一分钟来解决我的问题。

我想要一些关于在磁盘上表示大型时间序列数据集的最佳数据结构的建议。主要优先级是插入速度，其他优先级按降序排列；检索速度、磁盘大小、内存大小、删除速度。

我已经看到 B+ 树由于其快速的搜索时间而经常在数据库中使用，但是对于快速的插入时间呢？链表真的是要走的路吗？

我需要在不带 ts 对象的向量上使用函数。我正在尝试将其转换为普通的旧向量，但我似乎无法弄清楚。我四处搜索，但大多数人都试图将数据类型转换为 ts 对象。我想走另一条路。任何帮助，将不胜感激。

我在 R 中有一个时间序列的样本：

在此示例中，x 和 y 的样本每小时采集一次（但时间增量不固定）。x 和 y 值总是在增长（就像汽车中的里程计数器）。我需要增量，两者之间的增长是多少，如下所示：

而且我还需要每次的增量（x 和 y 增量，除以时间 - 每小时增量）

我将如何在 R 中做到这一点？

我试图向自己解释将 ARIMA 模型应用于时间序列数据集的预测结果。数据来自M1-Competition，系列为MNB65。我正在尝试将数据拟合到 ARIMA(1,0,0) 模型并获得预测。我正在使用 R。以下是一些输出片段：

我有几个问题：

(1) 我如何解释虽然数据集显示出明显的下降趋势，但该模型的预测呈上升趋势？这也发生在 ARIMA(2,0,0) 上，这是最适合使用auto.arima（预测包）的数据和 ARIMA(1,0,1) 模型的 ARIMA。

(2) ARIMA(1,0,0) 模型的截距值为 12260.298。截距不应该满足等式：C = mean * (1 - sum(AR coeffs))，在这种情况下，值应该是715.52。我必须在这里遗漏一些基本的东西。

(3) 这显然是一个具有非平稳均值的序列。为什么 AR(2) 模型仍然被 选为最佳模型auto.arima？有没有直观的解释？

谢谢。

我想用 Python 处理时间序列。

有人建议我使用scikit.timeseries但我需要处理最多微秒，据我所知，最后一次处理最多毫秒。

你知道任何其他图书馆能够做到这一点吗？在某些时候，我需要合并在不同时间采样的 2 个时间序列，并且我希望尽可能避免从头开始重写此类功能或任何新类。