时间序列分析是一种统计技术，用于理解数据点如何随时间演变。在 R 语言中，我们可以利用 **ts()** 函数高效地执行时间序列分析，该函数能帮助我们整理带有时间戳的数据。这种方法广泛应用于商业和研究中，用于分析趋势并进行预测，例如销售趋势、库存管理、股票市场价格、人口增长等。
在 R 中创建时间序列数据
在 R 中创建时间序列对象的核心函数是：
> objectName <- ts(data, start, end, frequency)
参数说明：
- data：包含观测值的数值向量。
- start：第一次观测的时间。
- end：最后一次观测的时间（可选）。
- frequency：单位时间内的观测次数（例如，月度数据为 12，季度数据为 4）。
> 注意： 关于 INLINECODEff54a628 函数的更多详细信息，您可以在 R 控制台中运行 INLINECODEf432790c。
示例：COVID-19 每周病例时间序列
让我们考虑从 2020 年 1 月 22 日到 2020 年 4 月 15 日的每周 COVID-19 确诊病例数据。下面的 R 代码创建了一个时间序列对象并绘制了数据图：首先，我们定义一个包含每周 COVID-19 确诊病例的向量 INLINECODEa2358574。然后加载 INLINECODEb78283b9 库来帮助处理日期格式，并创建一个从 2020 年 1 月 22 日开始的时间序列对象 mts，频率为每周。接着，我们用适当的轴标签和标题绘制时间序列数据。
R
CODEBLOCK_7cbe1db2
输出结果：
!tsa每周病例时间序列图
多元时间序列分析
多元时间序列分析允许我们同时可视化多个相关的时间序列。例如，追踪每周的 COVID-19 确诊病例和死亡人数，我们定义两个数值向量：INLINECODE3c05f0de 和 INLINECODE0f9d2e98，代表每周的 COVID-19 数据。然后我们加载 INLINECODE79dffe07 用于处理日期，并将两个向量组合成一个多元时间序列对象 INLINECODE139d8e1d。接着，我们绘制带有标签和标题的多元时间序列图。
R
CODEBLOCK_e223f665
输出结果：
!mvtsa多元时间序列分析图
R 语言中的时间序列预测
预测时间序列的未来值是分析的一个重要方面。R 中的 INLINECODEbd1b7541 包提供了构建预测模型的工具。在这里，我们使用自动 ARIMA 模型来预测未来的 COVID-19 病例。这里我们加载 INLINECODE1508cfba 进行日期处理，加载 INLINECODE0ee5ba96 使用预测功能。然后我们创建一个从 2020 年 1 月 22 日开始、频率为每周的时间序列对象 INLINECODEad7dcf7c。接着，我们使用 auto.arima() 自动拟合 ARIMA 模型，并生成未来 5 周的预测。最后，我们绘制历史数据和预测数据。
R
CODEBLOCK_44a5347a
输出结果：
!timeconsole控制台输出的预测值
绘制结果图
!forecasting预测图表
在本文中，我们探讨了如何在 R 中执行时间序列分析，包括创建单变量和多变量时间序列、可视化数据，以及使用 ARIMA 应用预测模型。这些技术为各个领域的时间相关数据提供了有价值的见解和预测。