标签: tidyverts

我正在尝试按照Rob Hyndman 的 Rstudio.conf 研讨会的方式进行分层预测，但遇到了一些问题。这是我的代码：

library(dplyr)
library(tsibbledata)
library(tsibble)
library(fable)

aus_retail_2013_tr <- aus_retail %>%
    filter(Month <= yearmonth("2013 Dec"))
aus_retail_2013_vl <- aus_retail %>%
    filter(Month > yearmonth("2013 Dec"))

hmod <- aus_retail_2013_tr %>%
    aggregate_key(State*Industry, Turnover=sum(Turnover)) %>%
    model(ar=ARIMA(log(Turnover))) %>%
    reconcile(ar_adj=min_trace(ar))

fcasts_hmod <- forecast(hmod, aus_retail_2013_vl)

fcasts_hmod %>%
    filter(is_aggregated(Industry), State == "Victoria") %>%
    autoplot()

该图的输出如下。

我的主要问题是：

• 和解实际上似乎根本没有改变预测。图片表明ar和ar_adj线是相同的。
• 预测仅针对 2014 年至 2015 年的时间段，而我知道完整数据集到 2018 年。

我该如何解决这些问题？后一个可能是因为并非所有时间序列都涵盖整个时期，但我怎样才能reconcile不跳过缺失的时期？

这是 dplyr 0.8.5、fable 0.2.0、fabletools 0.1.3 和 tsibble 0.8.6。我在 Ubuntu/R 3.6.3 和 Windows 10/R 4.0.0 …

在 R 中搜索时间序列数据的线性插值时，我经常na.approx()从zoo包中找到要使用的建议。

然而，对于不规则的时间序列，我遇到了问题，因为插值在间隙数量上均匀分布，没有考虑该值的关联时间戳。

我找到了一个围绕使用的解决方案approxfun()，但我想知道是否有一个更干净的解决方案，最好基于tsibble具有tidyverts包系列函数的对象？

以前的答案依赖于通过填补空白将不规则日期网格扩展为规则网格。然而，当插值期间应考虑白天时，这会导致问题。

这是一个（修订后的）最小示例，其中包含 POSIXct 时间戳而不是仅日期：

library(tidyverse)
library(zoo)

df <- tibble(date = as.POSIXct(c("2000-01-01 00:00", "2000-01-02 02:00", "2000-01-05 00:00")),
             value = c(1,NA,2))

df %>% 
  mutate(value_int_wrong = na.approx(value),
         value_int_correct = approxfun(date, value)(date))

# A tibble: 3 x 4
  date                value value_int_wrong value_int_correct
  <dttm>              <dbl>           <dbl>             <dbl>
1 2000-01-01 00:00:00     1             1                1   
2 2000-01-02 02:00:00    NA             1.5              1.27
3 2000-01-05 00:00:00     2             2                2   

有什么想法如何（有效）处理这个问题吗？感谢您的支持！