R學習筆記（2） SARIMA模型

昨天做完arima的模型，由於對於其中seasonal部分的不理解，外加我的用電負荷模型應該滿足乙個季節特徵，因此得到建議去了解一下sarima模型

先看相關教程：《r語言時間序列分析》

memo：

（1）將資料從文字檔案中讀取： kings<-scan("adress",skip=n) 其中，adress為檔案位址，skip引數可以略去檔案中前n行的資料，注意資料在文字檔案中的排列必須為一行乙個資料

（2）我們在r中使用ts（）函式將資料儲存到乙個時間序列物件中去：kingstimeseries <- ts(kings)

增加引數設定birthstimeseries <- ts(births, frequency=12, start=c(1946,1))，前式為月度資料，第乙個時間節點為2023年1月

（3）繪製時間序列圖：plot.ts(kingstimeseries)

（4）分解非季節性資料：在r 的"ttr" 包中的sma（）函式可以用簡單的移動平均來平滑時間序列資料。作用？

（5）分解季節性資料：我們可以使用r 中"decompose（）" 函式來估計。這個函式可以估計出時間序列中趨勢的、季節性的和不規則的部分，而此時間序列須是可以用相加模

型描述的。" decompose()" 這個函式返回的結果是乙個列表物件，裡面包含了估計出的季節性部分，趨勢部分和不規則部分，他們分別對應的列表物件元素名為「seasonal" 、」trend「、和"random」。

birthstimeseriescomponents < - decompose(birthstimeseries)

我們可以輸出季節性部分的估計值：> birthstimeseriescomponents$seasonal #get the estimated values of the seasonal component

（6）使用forecast. holtwinters（）返回的樣本內**誤差將被儲存在乙個元素名為"residuals" 的列表變數中。如果**模型不可再被優化，連續**中的**誤差是不相關的。換句話說，如果連續**中的誤差是相關的，很有可能是簡單指數平滑**可以被另一種**技術優化。

（7）arima模型：差分得到平穩時間序列，對於平穩性正式的檢驗對於平穩性正式的檢驗稱作"單位根測試"，可以在funitroots 包中得到，可以在cran 中獲得funitroots 包而

執行。acf(kingtimeseriesdiff1, lag.max=20) # plot a correlogram

acf(kingtimeseriesdiff1, lag.max=20, plot= false) #get the autocorrelation values