数据科学与大数据分析项目练习-7在石油产量数据集上应用时间序列分析

Jifu_M

于 2020-12-31 18:09:14 发布

阅读量1.4k

点赞数 3

分类专栏：数据科学与大数据分析项目练习文章标签：数据分析

本文链接：https://blog.youkuaiyun.com/Jifu_M/article/details/112039615

版权

本文通过实例展示了如何在石油产量数据集上应用时间序列分析。首先，数据被处理并差分以获得平稳时间序列。接着，通过ACF和PACF图确定季节性AR(1)模型和非季节性MA(1)模型。经过模型验证，最终用于预测未来12个月的产量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这部分在学习笔记部分介绍过，在这里结合代码来学习实践。

首先加载库，设置默认路径，并读取文件

library(forecast)
setwd("c:/Users/T7/Desktop/123")


gas_prod_input <- as.data.frame( read.csv("gas_prod.csv") )

读取的数据集如下：
在这里插入图片描述
创建一个时间序列对象并输出图

gas_prod <- ts(gas_prod_input[,2])
plot(gas_prod, xlab = "Time (months)",ylab = "Gasoline production (millions of barrels)")

在这里插入图片描述
有趋势，不是平稳的，咋办？
差分！

plot(diff(gas_prod))
abline(a=0, b=0)

在这里插入图片描述
差分后的的时间序列有一个接近为 0 的常数均值，以及一个常数方差。因此，我们获得了一个平稳的时间序列。

使用下面的 R 代码，来观察差分后序列的 ACF 和 PACF 图。

acf(diff(gas_prod), xaxp = c(0, 48, 4), lag.max=48, main="")