Я пытаюсь сделать некоторые прогнозы с некоторыми временными рядами данных о температуре в аэропорту Арканзаса (ежедневно на 2018 год, итого 365 наблюдений, без пропущенных значений). Чтобы дать представление о том, как выглядят данные, это что-то вроде этого:
Date Temp
1/1/2018 33.7
1/2/2018 26.2
1/3/2018 32.1
Так как это моя первая попытка прогнозирования, я подумал, что имеет смысл отрезать, скажем, последние 5 наблюдений мой набор данных и попытка прогнозировать эти наблюдения с помощью обучающего / тестирующего набора моих данных, например:
train_series= WeatherTS[1:360]
test_series=WeatherTS[361:365]
Я использовал функцию auto.arima в R, чтобы попытаться найти лучшую модель аримы, возможную для обучающий набор данных, как показано здесь (лучшая модель с этой функцией оказалась (1,1,3)):
auto.arima(train_series)
fitarima <- arima(train_series, order=c(1,1,3))
Отсюда, после запуска диагностики с остатками и т. д. Эта модель аримы и, будучи достаточно удовлетворенной, я попыталась сделать некоторое прогнозирование сейчас, имея в виду все это, закодированное так:
forecastingattempt <- forecast(fitarima, level=c(95), h=5)
Однако, когда я пытаюсь запустить эту строку в R, я получаю эту ошибку сообщение:
Ошибка в ts (x): объект 'ts' должен иметь одно или несколько наблюдений
Кто-нибудь знает, почему я получаю это сообщение об ошибке? Разве невозможно сделать такую попытку прогнозирования с помощью модели арима? Я не уверен, почему он считает, что модель arima не имеет наблюдений, поэтому любая помощь очень ценится.
РЕДАКТИРОВАТЬ: В соответствии с запросом Марко, вот вывод при использовании команды dput (WeatherTS):
structure(c(33.7, 26.2, 32.1, 29.4, 25.5, 32.7, 32, 17.4, 4.2,
9.2, 28.1, 32.9, 29.9, 36, 35.4, 30, 27.6, 25.8, 19.4, 7.5, -0.4,
-4.6, -8.1, -11.6, -11.6, -8, 0.1, 1.5, 12.9, 14, 7.9, 3.1, 0,
7, 13.5, 9.5, 29.4, 22.5, 9.7, 25.7, 32.9, 32.3, 34.1, 29.1,
31, 22.5, 26.2, 20.6, 29.4, 29, 28.7, 27.8, 34.5, 24.4, 24.1,
23.2, 29.4, 19.2, 10.5, 8.7, 23.3, 25.6, 21, 23.9, 27.3, 29.7,
28.2, 22.2, 20.3, 19, 25.2, 29.8, 28.5, 17.6, 32.2, 34, 34.3,
32.4, 29.2, 25.6, 22.6, 24.5, 25.4, 28.3, 32.5, 32.6, 31.7, 28,
26.3, 25.5, 31.9, 32.2, 29.8, 22.3, 25.9, 22.4, 18.9, 27, 32.9,
39.7, 39.5, 38.7, 39.2, 35.6, 35.5, 35.8, 35.7, 36.6, 37.2, 38.8,
36.2, 39.3, 37.1, 39.1, 38.1, 36.9, 36.5, 36.5, 39, 38.6, 37.5,
35.8, 36.8, 37.5, 35.9, 35.4, 37.6, 39.9, 41.2, 39.6, 40.8, 42,
40.6, 37.7, 35.7, 38.3, 43.1, 44.5, 44.8, 45, 46.9, 47.8, 46.3,
46.1, 46, 48.8, 48.3, 46.2, 44.1, 45, 45.8, 50.5, 49.1, 51.9,
48.3, 49.8, 50.8, 48.9, 49.6, 49.3, 58.8, 60.9, 55.3, 56.7, 57,
54.6, 49.4, 48.8, 50.5, 49, 48.6, 49.4, 50.8, 51.4, 53, 50.8,
52.4, 50, 50.7, 50.4, 52.3, 54.9, 56.7, 65.4, 60.2, 59, 61.5,
59.2, 50.7, 48, 49, 48.6, 48.5, 51.4, 48.1, 52, 53.8, 52.2, 53,
56.7, 58.1, 61.4, 59.6, 54, 55, 57.1, 56.7, 54.2, 54.5, 56.6,
57.3, 56.5, 52.6, 52.8, 54.5, 61.7, 58, 54.9, 58.1, 54.3, 53.7,
52.5, 53.6, 57.1, 50.4, 51.2, 48.7, 51.9, 51.7, 52.4, 55.3, 52.1,
54.2, 51.7, 52.8, 50.3, 50.9, 54.4, 51, 52.9, 48.5, 51.4, 48.2,
48.9, 50.8, 49.5, 49, 48.9, 52.5, 49.4, 50.4, 51.7, 53.6, 56.4,
58.9, 56.6, 57.8, 56.5, 52.8, 52.1, 48.8, 49.9, 49.8, 48.2, 49.2,
48, 46.8, 45.1, 43.4, 47.6, 50.5, 52.7, 52.1, 50.3, 50.1, 48,
45.8, 46.7, 48, 47.2, 43.1, 46.8, 47.4, 43.6, 46, 43.1, 42.8,
47.8, 45.5, 45.1, 44.8, 41.3, 35.6, 42.9, 42.3, 40, 38.5, 39.2,
37.1, 32.8, 25.3, 21.6, 32, 29.4, 25.9, 22, 36.3, 24.4, 25.2,
33.6, 36, 29.2, 31.3, 27.2, 33.2, 31.6, 31.3, 20.1, 16.1, 35.3,
40.8, 38.2, 31, 26.8, 25.7, 18, 13.2, 25.5, 21.4, 22.1, 24.8,
22.5, 13.4, 18.8, 38.8, 34.7, 26.7, 34.4, 37, 29.3, 29.3, 17.2,
21.1, 30.1, 25.9, 9.1, -4.4, -1.5, 0.1, -1.2, -7.4, -5.5, -7.8,
-12.3, -4.3, 8.9, 13.1, 4.5, 5.7, 11.7, 16.2, 19.4, -0.4, 15.4,
35.1), .Tsp = c(2018, 2018.99657768652, 365.25), class = "ts")