缺少周末值的时间序列并在图中保留日期

Question

我有 2012 年 11 月 19 日至 2017 年 10 月 16 日的 1241 个每日数据，但仅适用于工作日（自助餐厅的服务数量）。我正在尝试进行预测，但我无法初始化我的时间序列：

timeseries = ts(passage, frequency = 365,
   start = c(2012, as.numeric(format(as.Date("2012-11-19"), "%j"))),
   end = c(2017, as.numeric(format(as.Date("2017-10-16"), "%j"))) )

如果我这样做，由于缺少周末，我的变量将在到达 1241 后循环返回，一直到 1791（对应于我 2 日期之间的天数），如果我想坐火车时间序列，选择带有参数“end”的日期会使其与实际日期的数据不对应。

那么我可以克服这个问题吗？我知道我可以直接创建我的时间序列（并且我选择了正确的频率？，如果我把 5 或 7 轴放在很远的年份）

timeseries = ts(passage, frequency = 365)

但我失去了选择开始和结束日期的能力，并且无法在情节中看到该信息

编辑：我想将其保留为 5 天的每周数据的原因是，当我绘制预测时，我不会在图中得到很多零

plot(forecast(timeseries_00))

喜欢这个

Answer 1

如果我正确理解您的问题，这可能是一个解决方案：

第 1 步）我创建一个长度为 1241 的时间序列（段落），就像你的一样。

passage<-rep(1:1241)

"passage" time series

第 2 步）我将时间序列转换为一个矩阵，其中每一列都是工作日（添加 4 个零，因为时间序列在星期一结束），然后我向矩阵添加两个额外的列，其值为零（星期六和星期日），我回到使用函数 unmatrix（包 gdata）的时间序列并删除最后 6 个零（4 个由我自己添加，2 个来自星期日和星期六列）

passage_matrix<-cbind(t(matrix(c(passage,c(0,0,0,0)),nrow = 5)),0,0)
library(gdata)
passage_00<-as.numeric(unmatrix( passage_matrix  ,byrow=T))
passage_00<-passage_00[1:(length(passage_00)-6)]

第 3 步）我创建新的时间序列

timeseries_00 = ts(passage_00, 
                   frequency = 365,
                   start = c(2012, as.numeric(format(as.Date("2012-11-19"), 
                   "%j"))))

第 4 步）现在我可以使用正确的日期标签绘制时间序列（仅适用于我下面的示例中的工作日）

date<-seq(from=as.Date("2012-11-19"),by=1,length.out=length(timeseries_00))
plot(timeseries_00[timeseries_00>0],axes=F)
axis(1, at=1:length(timeseries_00[timeseries_00>0]), labels=date[timeseries_00>0])

"passage" time series with right date

第 4 步）预测时间序列

for_00<-forecast(timeseries_00)

第 5 步）我必须修改我的原始时间序列，以便在预测数据和原始数据之间具有相同的长度

length(for_00$mean) #length of the prediction 
passage_00extended<-c(passage_00,rep(0,730)) #Add zeros for future date
timeseries_00extended = ts(passage_00extended, frequency = 365,
                   start = c(2012, as.numeric(format(as.Date("2012-11-19"), "%j"))))
date<-seq(from=as.Date("2012-11-19"),by=1,length.out=length(timeseries_00extended))

第 6 步）我必须修改预测数据以获得相同长度的 timeseries_00extended，所有假数据（0 值）都在“NA”中更改

pred_mean<-c(rep(NA,length(passage_00)),for_00$mean) #Prediction mean
pred_upper<-c(rep(NA,length(passage_00)),for_00$upper[,2]) #Upper 95%
pred_lower<-c(rep(NA,length(passage_00)),for_00$lower[,2]) #Lower 95%
passage_00extended[passage_00extended==0]<-rep(NA,sum(passage_00extended==0))

第 7 步）我在同一个图上绘制原始数据（passage_00extended）和预测（平均值 [蓝色] 和上限和下限 [橙色] 的颜色不同）

plot(passage_00extended,axes=F,ylim=c(1,max(pred_upper[!is.na(pred_upper)])))
lines(pred_mean,col="Blue")
lines(pred_upper,col="orange")
lines(pred_lower,col="orange")
axis(1, at=1:length(timeseries_00extended), labels=date)

Plot: Forecast