In ahorawzy/TFTSA: Traffic Flow Time Series Analysis

library(ggplot2)
library(TSA)
library(fUnitRoots)

读取数据

以10月1日交通流量作为分析对象

tml1001all <- read.csv("D:\\data\\thesis\\201610\\tmldata\\tml1001all.csv",header = T)
dim(tml1001all)

names(tml1001all)

tml1001 <- tml1001all[,c(5,15)]
names(tml1001)

flow1001 <- as.vector(tml1001$机动车当量)

时序图

ggplot(data = tml1001,aes(x=tml1001$时间序号,y=tml1001$机动车当量))+
  geom_point(colour="red")+
  geom_line(colour="steelblue")+
  geom_smooth(method = "loess",span=0.2)

从时序图可以看出，并不像是平稳序列。

ACF图

acf(flow1001,xaxp=c(0,24,12))

ACF图，自相关系数也下降的非常缓慢，像是非平稳序列

对原序列的ADF检验

使用tseries包adf.test函数

使用默认的滞后项k

adf.test(flow1001)

不能拒绝原假设，即非平稳

ar(flow1001)

利用AIC，k取6

adf.test(flow1001,k=6)

使用fUnitRoots包中的adfTest函数

滞后项取1

adfTest(flow1001,lags = 1,type = "c")

adfTest(flow1001,lags = 1,type = "nc")

adfTest(flow1001,lags = 1,type = "ct")

滞后项取k

for (i in 1:6){
  for (j in c("nc","c","ct")){
    print(adfTest(flow1001,lags=i,type=j))
  }
}

对差分后序列的ADF检验

difflow1001 <- diff(flow1001)

使用tseries包adf.test

adf.test(difflow1001)

拒绝原假设，接受备择假设，即序列平稳。

ar(difflow1001)

利用对数据的一阶差分的AIC，得到k=14。

adf.test(difflow1001,k=14)

拒绝原假设，接受备择假设，一阶差分后的序列平稳。

一阶差分后的序列，类似于MA(1)模型，所以原序列是IMA(1,1)模型

结论

原序列为非平稳序列，一阶差分后为平稳序列。

一阶差分的纯随机性分析

Box.test(difflow1001,lag=6)

ahorawzy/TFTSA documentation built on May 13, 2019, 12:18 p.m.