library(ggplot2) library(TSA) library(fUnitRoots)
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$机动车当量)
ggplot(data = tml1001,aes(x=tml1001$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(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
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)
adfTest(flow1001,lags = 1,type = "c")
adfTest(flow1001,lags = 1,type = "nc")
adfTest(flow1001,lags = 1,type = "ct")
for (i in 1:6){ for (j in c("nc","c","ct")){ print(adfTest(flow1001,lags=i,type=j)) } }
difflow1001 <- diff(flow1001)
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
原序列为非平稳序列,一阶差分后为平稳序列。
Box.test(difflow1001,lag=6)
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.