用季节性周期对时间序列中的缺失值进行插值
我有一个时间序列，我想智能地插入缺失值。特定时间的值受到多天趋势的影响，以及它在每日周期中的位置。
以下是myzoo中缺少第十个观察值的示例
start <- as.POSIXct("2010-01-01")
freq <- as.difftime(6, units = "hours")
dayvals <- (1:4)*10
timevals <- c(3, 1, 2, 4)
index <- seq(from = start, by = freq, length.out = 16)
obs <- (rep(dayvals, each = 4) + rep(timevals, times = 4))
myzoo <- zoo(obs, index)
myzoo[10] <- NA如果我必须实现这一点，我会使用附近几天的某种加权平均收盘时间，或者将当天的值添加到适合更大趋势的函数线，但我希望已经存在一些适用于这种情况的包或函数？
编辑:稍微修改了代码，以澄清我的问题。有一些na.*方法可以从最近的邻居处进行插值，但在这种情况下，它们不会识别缺失值位于当天的最低值的时间。也许解决方案是将数据重塑为宽格式，然后进行插值，但我不想完全忽略同一天的邻接值。值得注意的是，diff(myzoo, lag = 4)返回一个10的向量。解决方案可能在于reshape、na.spline和diff.inv的某种组合，但我就是想不出来。
以下是三种不起作用的方法：
EDIT2。使用以下代码生成的图像。
myzoo <- zoo(obs, index)
myzoo[10] <- NA # knock out the missing point
plot(myzoo, type="o", pch=16) # plot solid line
points(na.approx(myzoo)[10], col = "red")
points(na.locf(myzoo)[10], col = "blue")
points(na.spline(myzoo)[10], col = "green")
myzoo[10] <- 31 # replace the missing point
lines(myzoo, type = "o", lty=3, pch=16) # dashed line over the gap
legend(x = "topleft",
legend = c("na.spline", "na.locf", "na.approx"),
col=c("green","blue","red"), pch = 1)回答 4
Stack Overflow用户
发布于 2011-02-11 11:45:23
试试这个：
x <- ts(myzoo,f=4)
fit <- ts(rowSums(tsSmooth(StructTS(x))[,-2]))
tsp(fit) <- tsp(x)
plot(x)
lines(fit,col=2)其思想是使用时间序列的基本结构模型，该模型使用卡尔曼滤波器精细地处理缺失值。然后使用卡尔曼平滑法估计时间序列中的每个点，包括任何省略的点。
为了使用StructTS，我不得不将你的zoo对象转换为频率为4的ts对象。您可能希望再次将拟合值更改回zoo。
Stack Overflow用户
发布于 2011-02-11 02:52:27
在这种情况下，我认为您需要在ARIMA模型中进行季节性校正。这里没有足够的日期来适应季节模型，但这应该可以让你开始。
library(zoo)
start <- as.POSIXct("2010-01-01")
freq <- as.difftime(6, units = "hours")
dayvals <- (1:4)*10
timevals <- c(3, 1, 2, 4)
index <- seq(from = start, by = freq, length.out = 16)
obs <- (rep(dayvals, each = 4) + rep(timevals, times = 4))
myzoo <- myzoo.orig <- zoo(obs, index)
myzoo[10] <- NA
myzoo.fixed <- na.locf(myzoo)
myarima.resid <- arima(myzoo.fixed, order = c(3, 0, 3), seasonal = list(order = c(0, 0, 0), period = 4))$residuals
myzoo.reallyfixed <- myzoo.fixed
myzoo.reallyfixed[10] <- myzoo.fixed[10] + myarima.resid[10]
plot(myzoo.reallyfixed)
points(myzoo.orig)在我的测试中，ARMA(3，3)非常接近，但这只是运气。对于较长的时间序列，您应该能够校准季节性校正，以提供良好的预测。对信号和季节校正的潜在机制有一个很好的先验，以获得更好的样本性能，这将是有帮助的。
Stack Overflow用户
发布于 2016-03-22 00:57:23
forecast::na.interp是一个很好的方法。从documentation
对非季节性序列使用线性插值，并使用季节性序列的周期性stl分解来替换缺失值。
library(forecast)
fit <- na.interp(myzoo)
fit[10] # 32.5, vs. 31.0 actual and 32.0 from Rob Hyndman's answerThis paper针对实时序列评估了几种插值方法，并发现na.interp既准确又高效：
本文测试的R实现中的
、预测包中的na.interp和zoo包中的na.StructTS显示了最佳的总体结果。
na.interp函数也不会比最快的方法na.approx慢太多，因此在计算时间方面，loess分解似乎不是很苛刻。
同样值得注意的是，Rob Hyndman编写了forecast包，并在提供了对此问题的答案后包含了na.interp。na.interp很可能是对这种方法的改进，尽管它在这种情况下表现较差(可能是因为在StructTS中指定了句点，na.interp会找出答案)。
https://stackoverflow.com/questions/4964255
复制![python利用flask_mail、sendgrid发送邮件[通俗易懂]](https://ask.qcloudimg.com/http-save/yehe-8223537/4333511e70044ef8461a42b2a4789bb2.jpg)
相似问题
使用sendgrid节点模块，如何发送SendGrid模板引擎电子邮件？
使用csv的数据与Sendgrid一起发送电子邮件
发送没有模板的Sendgrid电子邮件
如何在python中使用sendgrid和动态模板、BCC地址发送电子邮件？
Sendgrid:用模板发送电子邮件
领取专属 10元无门槛券
AI混元助手 在线答疑
洞察 腾讯核心技术
剖析业界实践案例
腾讯云开发者
