ts 对象中的双季节循环答案

【问题标题】：Dual seasonal cycles in ts objectts 对象中的双季节循环
【发布时间】：2014-01-26 10:27:03
【问题描述】：

我想从 ts 中去除季节性。这个特定的 ts 是每天的，并且有每年和每周的季节性周期（频率 365 和 7）。

为了消除两者，我尝试在频率设置为 365 的 ts 上执行 stl()，然后提取趋势和余数，并将新 ts 的频率设置为 7，然后重复。

这似乎不是很好，我想知道这是我的方法，还是 ts 固有的东西导致我出现问题。任何人都可以批评我的方法，或者推荐一种替代方法吗？

【问题讨论】：

标签： r time-series decomposition stl-decomposition

【解决方案1】：

使用forecast 包中实现的 TBATS 模型有一个非常简单的方法。这是一个假设您的数据存储为x的示例：

library(forecast)
x2 <- msts(x, seasonal.periods=c(7,365))
fit <- tbats(x2)
x.sa <- seasadj(fit)

模型的详细信息在De Livera, Hyndman and Snyder (JASA, 2011)中描述。

【讨论】：

非常感谢您的回复，罗布。你的预测包是最好的，看起来我只是触及了皮毛。您答案中的 seasadj(fit) 行返回了一个我正在努力解释的错误，也许您可以帮忙？ "[.default(comp, , "season") 中的错误：下标越界"
你能给我一个最小的例子来复制错误吗？此功能相对较新且未经过充分测试。它适用于我尝试的示例。将错误报告发送至github.com/robjhyndman/forecast/issues?state=open

【解决方案2】：

stl() 是一种不仅可以处理季节性因素（周期性重复发生的事件）而且还可以处理趋势（常态的缓慢变化）的方法，这一点令人赞叹，具体由 Rob J Hyndman 实施。

Hyndman 提供的 decomp 函数（转载如下）非常有助于检查 seasonality 和 decomposing 到季节性（如果存在）、trend 和 residual 组件的时间序列。

decomp <- function(x,transform=TRUE)
{
  #decomposes time series into seasonal and trend components
  #from http://robjhyndman.com/researchtips/tscharacteristics/
  require(forecast)
  # Transform series
  if(transform & min(x,na.rm=TRUE) >= 0)
  {
    lambda <- BoxCox.lambda(na.contiguous(x))
    x <- BoxCox(x,lambda)
  }
  else
  {
    lambda <- NULL
    transform <- FALSE
  }
  # Seasonal data
  if(frequency(x)>1)
  {
    x.stl <- stl(x,s.window="periodic",na.action=na.contiguous)
    trend <- x.stl$time.series[,2]
    season <- x.stl$time.series[,1]
    remainder <- x - trend - season
  }
  else #Nonseasonal data
  {
    require(mgcv)
    tt <- 1:length(x)
    trend <- rep(NA,length(x))
    trend[!is.na(x)] <- fitted(gam(x ~ s(tt)))
    season <- NULL
    remainder <- x - trend
  }
  return(list(x=x,trend=trend,season=season,remainder=remainder,
    transform=transform,lambda=lambda))
}

如您所见，如果存在季节性，则使用stl()（使用loess），如果没有季节性，则使用惩罚回归样条。

【讨论】：

【解决方案3】：

检查这是否有用：
Start and End Values depends on your Data - Change the Frequency values accordingly

splot <- ts(Data1, start=c(2010, 2), end=c(2013, 9), frequency=12)

additive trend, seasonal, and irregular components can be decomposed using the stl() Function

fit <- stl(splot, s.window="period")
monthplot(splot) 
library(forecast)
vi <-seasonplot(splot)

vi 应为季节性指数提供单独的值

还请检查以下一项：

splot.stl <- stl(splot,s.window="periodic",na.action=na.contiguous)
    trend <- splot.stl$time.series[,2]
    season <- splot.stl$time.series[,1]
    remainder <- splot - trend - season

【讨论】：