宴会

概述

盛宴提供了一组用于分析时间序列数据的工具。软件包名称是由其主要功能组成的首字母缩写：时间序列的特征提取与统计.

该包使用由锡伯包生成时间序列特征、分解、统计摘要和方便的可视化。这些功能有助于理解时间序列数据的行为，并与寓言包裹。

安装

您可以安装稳定的来自的版本CRAN（起重机）:

安装.包(“盛宴”)

您可以安装发展版本来自github具有：

#install.packages（“远程”）
遥控器::安装github(“节日/盛宴”)

用法

绘图

可视化通常是理解时间序列数据模式的第一步。该软件包使用ggplot2生成可定制的图形以可视化时间序列模式。

aus_生产 %>% gg_季节(啤酒)

aus_生产 %>% gg_子系列(啤酒)

aus_生产 %>% 滤波器(年(季度) > 1991) %>% gg_标记(啤酒)

aus_生产 %>% ACF公司(啤酒) %>% 自动绘图()

分解

时间序列分析中的一个常见任务是将时间序列分解为一些简单的组件。feasts包支持两种常见的时间序列分解方法：

  • 经典分解
  • STL分解
dcmp公司 <- aus_生产 %>%
  模型(STL公司(啤酒 ~ 季节(窗口= Inf公司)))
组件(dcmp公司)
#>#A表：218 x 7[1Q]
#>#密钥：.model[1]
#>#：啤酒=趋势+季节_年份+剩余
#>.model季度啤酒趋势季节_年份剩余季节_调整
#><chr><qtr><dbl><dbl
#>1 STL（啤酒季节（窗口=Inf））1956年第1季度284 272。2.14     10.1           282.
#>2 STL（啤酒季节（窗口=Inf））1956年第2季度213 264-42.6      -8.56          256.
#>3 STL（啤酒季节（窗口=Inf））1956年第3季度227 258-28.5      -2.34          255.
#>4 STL（啤酒季节（窗口=Inf））1956年第4季度308 253。69.0     -14.4           239.
#>5 STL（啤酒季节（窗口=Inf））1957年第1季度262 257。2.14      2.55          260.
#>6 STL（啤酒季节（窗口=Inf））1957年第2季度228 261-42.6       9.47          271.
#>7 STL（啤酒季节（窗口=Inf））1957年第3季度236 263-28.5       1.80          264.
#>8 STL（啤酒季节（窗口=Inf））1957年第4季度320 264。69.0     -12.7           251.
#>9 STL（啤酒季节（窗口=Inf））1958年第1季度272 266。2.14      4.32          270.
#>10 STL（啤酒季节（窗口=Inf））1958年第2季度233 266-42.6       9.72          276.
#>#i 208多行
组件(dcmp公司) %>% 自动绘图()

特征提取和统计

提取大量时间序列的特征和统计信息，以识别异常/极端时间序列，或发现类似行为的集群。

澳大利亚_retail %>%
  特征(人事变更率,专长)
#>#A字型：152 x 11
#>国家行业趋势_旺季_旺季_year旺季_peak_year季节_trough_year
#><chr><chr><dbl><dbl><dbl
#>1澳大利亚~咖啡馆，~0.989 0.562 0 10
#>2澳大利亚~咖啡馆，~0.993 0.629 0 10
#>3澳大利亚~Clothin ~0.991 0.923 9 11
#>4澳大利亚~ Closin~0.993 0.957 9 11
#>5澳大利亚~出发~ 0.977 0.980 9 11
#>6澳大利亚~电气~0.992 0.933 9 11
#>7澳大利亚~食品re~0.999 0.890 9 11
#>8澳大利亚~Footwea~0.982 0.944 9 11
#>9澳大利亚~Furnitu~0.981 0.687 9 1
#>10澳大利亚~Hardwar~0.992 0.900 9 4
#>#142多行
#>#i还有5个变量：尖峰度<dbl>、线性<dbl=、曲率<dbl+、stl_eacf1<dbl]、，
#>#stl_e_cf10<数据库>

这允许您可视化许多时间序列的行为（上面的绘图方法将显示太多信息）。

澳大利亚_retail %>%
  特征(人事变更率,专长) %>%
  ggplot图(原子发射光谱(x个= 趋势_强度，年= 季节性强度年份)) +
  地理点() +
  facet_wrap（面覆盖）(变量(州))

澳大利亚大多数零售业在所有州都具有高度的趋势性和季节性。

提取季节性最强（最少）的时间序列也很容易。

极端季节 <- 澳大利亚_retail %>%
  特征(人事变更率,专长) %>%
  滤波器(季节性强度年份 %单位：% 范围(季节性强度年份))
aus_尾部 %>%
  right_join（右加入）(极端季节，由= c（c）(“状态”,“行业”)) %>%
  ggplot图(原子发射光谱(x个= 月份，年= 人事变更率)) +
  地理线() +
  面_网格(变量(州,工业,规模::百分比(季节性强度年份)),
规模= “免费（_y）”)