Série De Tempo Irregular Média Em Movimento

Eu tenho um grupo de dados no formato: cada ID é um paciente e cada valor é, digamos, pressão sanguínea para esse minuto. Gostaria de criar uma média móvel nos 60 minutos antes e 60 minutos após cada ponto. No entanto, como você pode ver, faltam minutos (então eu não posso simplesmente usar números de linha) e eu gostaria de criar uma média para cada ID única (então a média de ID xxxx não pode incluir valores atribuídos a ID AAAA). Parece que rollapply ou rollingstat podem ser opções, mas tiveram pouco sucesso tentando juntar isso. Por favor, deixe-me saber se é necessária mais clareza. Perguntou em 27 de janeiro às 3: 49. Estou tentando extrair algumas métricas que observam a confiabilidade com que os clientes se conectam a um serviço. Os dados brutos estão na forma do cliente A, foram colocados em linha no momento X. A conexão é altamente confiável, e eu quero algum tipo de média móvel para mostrar se a conexão está melhorando ou não ao longo do tempo. Os clientes nem sempre estão conectados, então simplesmente sair offline não significa que seja uma falha. Até agora, eu tomei dados e apliquei algumas suposições para ajudar a simplificá-lo, eu suponho que, se um cliente se reconectar dentro de um minuto de desconectá-lo, isso é uma falha. Estes foram modelados como simples implosões, ou seja. O cliente A teve uma falha no momento X. A parte em que estou lutando é como transformar esse gráfico em uma média móvel (estou jogando com R para cortar os números). Eu acredito que eu poderia ser capaz de fazer isso com um filtro passa-baixa, ou usar o pacote do zoológico e o RollMean. No entanto, não sei como lidar com os casos em que o cliente simplesmente não queria estar online. A Baixa R é fornecida com muita funcionalidade útil para séries temporais, em particular no pacote de estatísticas. Isso é complementado por muitos pacotes no CRAN, que são resumidamente resumidos abaixo. Existe também uma sobreposição considerável entre as ferramentas para séries temporais e as visualizações da tarefa Econometria e Finanças. Os pacotes nesta exibição podem ser grosseiramente estruturados nos seguintes tópicos. Se você acha que algum pacote está faltando na lista, informe-nos. A infraestrutura . A Base R contém infra-estrutura substancial para representar e analisar dados da série temporal. A classe fundamental é quottsquot que pode representar séries temporais regularmente espaçadas (usando carimbos temporais numéricos). Por isso, é particularmente adequado para dados anuais, mensais, trimestrais, etc. Estatísticas de rolamento. As médias móveis são calculadas por ma da previsão. E rollmean do zoológico. O último também fornece uma função geral. Juntamente com outras funções de estatísticas de rolamento específicas. Roll fornece funções paralelas para calcular estatísticas de rolamento. Gráficos . Os gráficos das séries temporais são obtidos com a trama () aplicada aos objetos ts. (Parcial) as funções de autocorrelação são implementadas em acf () e pacf (). As versões alternativas são fornecidas pelo Acf () e Pacf () na previsão. Juntamente com uma exibição de combinação usando tsdisplay (). O SDD fornece diagramas de dependência em série mais gerais, enquanto dCovTS calcula e traça a covariância da distância e as funções de correlação das séries temporais. As visualizações sazonais são obtidas usando monthplot () em stats e seasonplot na previsão. Wats implementa gráficos de séries temporais envolventes. Ggseas fornece gráficos ggplot2 para séries sazonalmente ajustadas e estatísticas de rolagem. Dygraphs fornece uma interface para a biblioteca de gráficos de séries temporais interactivas Dygraphs. Os gráficos da ZRA prevêem objetos do pacote de previsão usando dígrafos. Os gráficos de fãs básicos das distribuições de previsão são fornecidos por previsão e vars. Os lotes de fãs mais flexíveis de quaisquer distribuições seqüenciais são implementados em fanplot. O quottsquot de classe só pode lidar com selos de tempo numéricos, mas muitas mais classes estão disponíveis para armazenar informações cronometradas e computação com ele. Para obter uma visão geral, consulte R Help Desk: Classes de data e hora em R por Gabor Grothendieck e Thomas Petzoldt em R News 4 (1). 29-32. As classes quotyearmonquot e quotyearqtrquot do zoológico permitem uma computação mais conveniente com observações mensais e trimestrais, respectivamente. Classe quotDatequot do pacote básico é a classe básica para lidar com datas em dados diários. As datas são armazenadas internamente como o número de dias desde 1970-01-01. O pacote cronológico fornece aulas para datas (). Horas () e data-hora (intra-dia) em cronometro (). Não há suporte para fuso horário e horário de verão. Internamente, os objetos quotchronquot são dias (fracionários) desde 1970-01-01. Classes quotPOSIXctquot e quotPOSIXltquot implementar o padrão POSIX para informações de data e hora (intra-dia) e também suportar fusos horários e horário de verão. No entanto, os cálculos do fuso horário exigem algum cuidado e podem ser dependentes do sistema. Internamente, quotPOSIXctquot objetos são o número de segundos desde 1970-01-01 00:00:00 GMT. O pacote lubridate fornece funções que facilitam determinados cálculos baseados em POSIX. A classe quottimeDatequot é fornecida no pacote timeDate (anteriormente: fCalendar). Destina-se a informações de cronograma financeiro e trata de fuso horário e horário de verão através de um novo conceito de quotfinancial centersquot. Internamente, ele armazena todas as informações em quotPOSIXctquot e faz todos os cálculos somente no GMT. Funcionalidade de calendário, e. Incluindo informações sobre fins de semana e feriados para várias bolsas de valores, também estão incluídos. O pacote tis fornece a classe quottiquot para informações cronometradas. A classe quotmondatequot do pacote mondate facilita a computação com datas em termos de meses. O pacote tempdisagg inclui métodos para desagregação temporal e interpolação de séries temporais de baixa freqüência para uma série de freqüências mais altas. A desagregação de séries temporais também é fornecida por tsdisagg2. TimeProjection extrai componentes de tempo útil de um objeto de data, como dia da semana, fim de semana, feriado, dia do mês, etc, e colocá-lo em um quadro de dados. Como mencionado acima, quottsquot é a classe básica para séries de tempo regularmente espaçadas usando selos de tempo numéricos. O pacote do zoológico fornece infra-estrutura para séries temporais regulares e irregulares usando classes arbitrárias para os carimbos de tempo (ou seja, permitindo todas as classes da seção anterior). Ele é projetado para ser o mais consistente possível com quottsot. Coerção de e para quotzooot está disponível para todas as outras classes mencionadas nesta seção. O pacote xts é baseado no zoológico e fornece um tratamento uniforme de Rs diferentes classes de dados baseadas no tempo. Vários pacotes implementam séries temporais irregulares com base em quotPOSIXctot selos de tempo, especialmente para aplicações financeiras. Estes incluem cotações de tseries. E quotftsquot from fts. A classe quottimeSeriesquot em timeSeries (anteriormente: fSeries) implementa séries temporais com quottimeDatequot timbres de tempo. A classe quottisquot in tis implementa séries temporais com selos de tempo quottiquot. O pacote tframe contém infra-estrutura para definir intervalos de tempo em diferentes formatos. Previsão e modelagem univariada O pacote de previsão fornece uma classe e métodos para previsões de séries temporais univariadas e fornece muitas funções implementando diferentes modelos de previsão incluindo todos aqueles no pacote de estatísticas. Suavização exponencial. HoltWinters () em stats fornece alguns modelos básicos com otimização parcial, ets () do pacote de previsão fornece um conjunto maior de modelos e instalações com otimização completa. Robets fornece uma alternativa robusta para a função ets (). Implementa suavemente algumas generalizações de suavização exponencial. O pacote MAPA combina modelos exponenciais de suavização em diferentes níveis de agregação temporal para melhorar a precisão da previsão. O método theta é implementado na função thetaf a partir do pacote de previsão. Uma implementação alternativa e estendida é fornecida em forecTheta. Modelos autoregressivos. Ar () em stats (com seleção de modelo) e FitAR para modelos submarinos AR. Modelos ARIMA. Arima () em stats é a função básica para os modelos ARIMA, SARIMA, ARIMAX e submarino ARIMA. É melhorado no pacote de previsão através da função Arima (), juntamente com auto. arima () para seleção automática de pedidos. Arma () no pacote tseries fornece algoritmos diferentes para ARMA e modelos submarinos ARMA. O FitARMA implementa um algoritmo MLE rápido para modelos ARMA. O pacote gsarima contém funcionalidades para a simulação de séries temporais SARIMA generalizadas. O pacote mar1s lida com AR multiplicativo (1) com processos sazonais. TSTutorial fornece um tutorial interativo para modelagem Box-Jenkins. Os intervalos de previsão aprimorados para ARIMA e os modelos estruturais de séries temporais são fornecidos pelo tsPI. Modelos ARMA periódicos. Pera e peças para modelos de séries temporais autoregressivos periódicos e perARMA para modelagem ARMA periódica e outros procedimentos para análise periódica de séries temporais. Modelos ARFIMA. Algumas instalações para modelos fracionados diferenciados ARFIMA são fornecidos no pacote fracdiff. O pacote arfima possui instalações mais avançadas e gerais para modelos ARFIMA e ARIMA, incluindo modelos de regressão dinâmica (função de transferência). A armaFit () do pacote fArma é uma interface para modelos ARIMA e ARFIMA. Ruído gaussiano fracionário e modelos simples para séries temporais de decaimento hiperbólico são manipulados no pacote FGN. Os modelos de função de transferência são fornecidos pela função arimax no pacote TSA e a função arfima no pacote arfima. A detecção de Outlier após a abordagem Chen-Liu é fornecida por tsoutliers. Os modelos estruturais são implementados em StructTS () em stats, e em stsm e stsm. class. O KFKSDS fornece uma implementação ingênua do filtro de Kalman e suavizantes para modelos de espaço de estados univariados. Os modelos de séries temporais estruturais bayesianos são implementados em séries série temporais não gaussianas podem ser manipuladas com modelos de espaço estadual GLARMA via glarma. E usando modelos Generalized Autoregressive Score no pacote GAS. Modelos de Auto-Regressão Condicionais usando métodos de Probabilidade de Monte Carlo são implementados no mclcar. Modelos GARCH. Garch () de tseries se encaixa modelos básicos do GARCH. Muitas variações nos modelos GARCH são fornecidas pelo rugarch. Outros pacotes Univariados do GARCH incluem o fGarch que implementa modelos ARIMA com uma ampla gama de inovações GARCH. Existem muitos mais pacotes GARCH descritos na visualização de tarefas Financeiras. Os modelos de volatilidade estocástica são tratados por stochvol em uma estrutura bayesiana. Os modelos Count Time Series são manipulados nos pacotes tscount e acp. ZIM fornece modelos Zero-Inflated para séries de tempo de contagem. O tsintermittent implementa vários modelos para análise e previsão de séries temporais de demanda intermitente. As séries temporais censuradas podem ser modeladas usando centavos e carx. Os testes de Portmanteau são fornecidos através de Box. test () no pacote de estatísticas. Testes adicionais são fornecidos por portes e WeightedPortTest. A detecção de ponto de mudança é fornecida em estrutura (usando modelos de regressão linear), na tendência (usando testes não paramétricos) e em wbsts (usando a segmentação binária selvagem). O pacote changepoint fornece muitos métodos de ponto de mudança populares, e ecp detecta não parametrização de ponto de mudança para séries univariadas e multivariadas. A detecção de pontos de mudança on-line para séries temporais univariadas e multivariadas é fornecida por PCP em linha. InspectChangepoint usa projeção esparsa para estimar pontos de mudança em séries temporais de alta dimensão. A imputação da série temporal é fornecida pelo pacote imputeTS. Algumas instalações mais limitadas estão disponíveis usando na. interp () do pacote de previsão. As previsões podem ser combinadas usando o ForecastCombinations que suporta os métodos mais utilizados para combinar as previsões. ForecastHybrid fornece funções para previsões de conjunto, combinando abordagens do pacote de previsão. O GeomComb fornece métodos de combinação de previsão (geométricos) baseados em autovetor, bem como outras abordagens. A ópera possui instalações para previsões on-line com base em combinações de previsões fornecidas pelo usuário. A avaliação da previsão é fornecida na função de precisão () da previsão. A avaliação de previsão distributiva usando regras de pontuação está disponível em scoringRules Miscellaneous. Ltsa contém métodos para análises de séries temporais lineares, timsac para análise e controle de séries temporais e tsbugs para modelos de séries temporais da série BUGS. A estimativa da densidade espectral é fornecida pelo espectro () no pacote de estatísticas, incluindo o periodograma, periodograma suavizado e estimativas AR. A inferência espectral bayesiana é fornecida por bspec. Quantspec inclui métodos para calcular e traçar periodogramas de Laplace para séries temporais univariadas. O periodograma de Lomb-Scargle para séries temporais de amostras de forma desigual é calculado por lomb. O espectro usa transformadas de Fourier e Hilbert para filtragem espectral. Psd produz estimativas de densidade espectral adaptativa, seno-multitaper. O kza fornece filtros adaptáveis ​​Kolmogorov-Zurbenko, incluindo detecção de ruptura, análise espectral, wavelets e transformações de Fourier de KZ. Multitaper também fornece algumas ferramentas de análise espectral multitaper. Métodos Wavelet. O pacote de wavelets inclui filtros de wavelet de computação, transformações wavelet e análises de multiresolução. Métodos wavelet para análise de séries temporais baseadas em Percival e Walden (2000) são dados em wmtsa. WaveletComp fornece algumas ferramentas para a análise baseada em wavelets de séries temporais univariadas e bivariadas, incluindo ondas cruzadas, testes de diferença de fase e significanc. O biwavelet pode ser usado para plotar e calcular os espectros de wavelets, os espectros de onda cruzada e a coerência wavelet de séries temporais não estacionárias. Também inclui funções para agrupar séries temporais com base nas semelhanças (dis) no seu espectro. Os testes de ruído branco usando wavelets são fornecidos pelo teste hwwntest. Mais métodos wavelet podem ser encontrados no pacote brainwaver. Rwt. Wavelim. Wavethresh e mvcwt. A regressão harmônica usando termos de Fourier é implementada no HarmonicRegression. O pacote de previsão também oferece algumas facilidades simples de regressão harmônica através da função fourier. Filtros de decomposição e filtragem e suavização. O filtro () em estatísticas fornece filtragem linear média auto-regressiva e móvel de séries temporais múltiplas univariadas. O pacote robfilter oferece vários filtros robustos de séries temporais, enquanto o mFilter inclui diversos filtros de séries temporais úteis para suavizar e extrair tendências e componentes cíclicos. O pacote liso () do pacote estatístico calcula as Tukeys que executam lubrificantes médios, 3RS3R, 3RSS, 3R, etc. O sleekts calcula o método de suavização duas vezes 4253H. Decomposição. A decomposição sazonal é discutida abaixo. A decomposição baseada em auto-degradação é fornecida pela ArDec. O Rmaf usa um filtro de média móvel refinado para a decomposição. A Análise de Espectro Singular é implementada em métodos Rssa e espectral. A decomposição do modo empírico (EMD) e a análise espectral de Hilbert são fornecidas pela EMD. Ferramentas adicionais, incluindo o conjunto EMD, estão disponíveis em hht. Uma implementação alternativa de EMD de conjunto e sua variante completa estão disponíveis no Rlibeemd. Decomposição sazonal. O pacote de estatísticas fornece decomposição clássica em decomposição (). E decomposição STL em stl (). A decomposição STL melhorada está disponível no stlplus. StR fornece a decomposição Season-Trend baseada em Regressão. X12 fornece um invólucro para os binários X12 que deve ser instalado primeiro. X12GUI fornece uma interface gráfica do usuário para x12. Os binários X-13-ARIMA-SEATS são fornecidos no pacote x13binary, com o fornecimento sazonal de uma interface R e uma visão sazonal fornecendo uma GUI. Análise da sazonalidade. O pacote gratuito fornece métodos para detectar e caracterizar mudanças abruptas na tendência e os componentes sazonais obtidos de uma decomposição. Npst fornece uma generalização do teste de sazonalidade de Hewitts. estação. Análise sazonal de dados de saúde, incluindo modelos de regressão, crossover de caso estratificado no tempo, funções de traçado e verificações residuais. Mares. Análise sazonal e gráficos, especialmente para climatologia. Deseasonalize. Des sazonalidade ideal para séries temporais geofísicas usando o encaixe AR. Stationarity, Unit Roots e Cointegration Stationarity e raízes da unidade. Tseries fornece vários testes de estacionária e raiz unitária, incluindo Augmented Dickey-Fuller, Phillips-Perron e KPSS. Implementações alternativas dos testes ADF e KPSS estão no pacote urca, que também inclui outros métodos, como testes Elliott-Rothenberg-Stock, Schmidt-Phillips e Zivot-Andrews. O pacote fUnitRoots também fornece o teste MacKinnon, enquanto o uroot fornece testes raiz unitários sazonais. O CADFtest fornece implementações do ADF padrão e de um teste ADF covalente (CADF) aumentado. Localidade local. Locits fornece um teste de estacionança local e calcula a autocovariância localizada. A determinação de costereridade de séries temporais é fornecida por costat. LSTS possui funções para análise de séries temporais localmente estacionárias. Os modelos de wavelets estacionariamente locais para séries temporais não estacionárias são implementados em wavethresh (incluindo estimativa, planejamento e funcionalidade de simulação para espectros variando o tempo). Cointegração. O método Engle-Granger de dois passos com o teste de cointegração Phillips-Ouliaris é implementado em tseries e urca. Este último, além disso, contém funcionalidades para os testes Johansen trace e lambda-max. TsDyn fornece o teste de Johansens e seleção simultânea de rank-lag AICBIC. CommonTrend fornece ferramentas para extrair e traçar tendências comuns de um sistema de cointegração. A estimativa de parâmetros e a inferência em uma regressão de cointegração são implementadas em cointReg. Análise não linear da série temporal Autoregressão não linear. Várias formas de autorregressão não-linear estão disponíveis no tsDyn incluindo AR aditivo, redes neurais, modelos SETAR e LSTAR, VAR limiar e VECM. A autoregression da rede neural também é fornecida na GMDH. O BentcableAR implementa a autoregressão Bent-Cable. BAYSTAR fornece análise bayesiana de modelos autoregressivos de limiar. TseriesChaos fornece uma implementação R dos algoritmos do projeto TISEAN. Autoregression Os modelos de mudança Markov são fornecidos em MSwM. Enquanto as misturas dependentes de modelos latentes de Markov são fornecidas em depmix e depmixS4 para séries temporais categóricas e contínuas. Testes. Vários testes de não-linearidade são fornecidos em fNonlinear. Testes de tentativas para a dependência serial não linear com base em métricas de entropia. Funções adicionais para séries temporais não-lineares estão disponíveis em nlts e nonlinearTseries. A modelagem e a análise da série temporal do Fractal são fornecidas pelo fractal. O fractalrock gera séries temporais do fractal com distribuições de retorno não normais. Modelos de regressão dinâmica Modelos dinâmicos lineares. Uma interface conveniente para montar modelos de regressão dinâmica via OLS está disponível no dynlm, uma abordagem aprimorada que também funciona com outras funções de regressão e mais séries de séries temporais são implementadas em dyn. Equações de sistema dinâmico mais avançadas podem ser ajustadas usando dse. Os modelos de espaço de estado linear gaussiano podem ser instalados usando dlm (via máxima verossimilhança, mitigação de filtragem de Kalman e métodos bayesianos), ou usando bsts que usam MCMC. As funções para modelagem não-linear de lagação distribuída são fornecidas em dlnm. Os modelos de parâmetros que variam o tempo podem ser ajustados usando o pacote tpr. OrderLasso se encaixa em um modelo linear esparso com uma restrição de ordem nos coeficientes para lidar com regressores defasados ​​onde os coeficientes se deterioram à medida que o atraso aumenta. A modelagem dinâmica de vários tipos está disponível no dynr, incluindo tempo discreto e contínuo, modelos lineares e não-lineares e diferentes tipos de variáveis ​​latentes. Modelos de séries temporais multivariáveis ​​Os modelos vetoriais (VAR) vetoriais são fornecidos via ar () no pacote de estatísticas básicas, incluindo a seleção de pedidos via AIC. Esses modelos são restritos para serem estacionários. O MTS é um conjunto de ferramentas multifunções para análise de séries temporais multivariadas, incluindo VAR, VARMA, VARMA sazonal, modelos VAR com variáveis ​​exógenas, regressão multivariada com erros de séries temporais e muito mais. Possivelmente, os modelos VAR não estacionários são instalados no pacote mAr, que também permite modelos VAR no espaço do componente principal. Sparsevar permite a estimativa de modelos VAR e VECM escassos, o ecm fornece funções para a construção de modelos VECM, enquanto o BigVAR estima modelos VAR e VARX com penalidades de lasso estruturados. Os modelos e redes VAR automatizados estão disponíveis em autovarCore. Modelos mais elaborados são fornecidos no pacote vars. TsDyn. EstVARXls () em dse. E uma abordagem bayesiana está disponível no MSBVAR. Outra implementação com intervalos de predição inicializados é dada em VAR. etp. MlVAR fornece autoregressão vetorial de vários níveis. VARsignR fornece rotinas para identificar choques estruturais em modelos VAR usando restrições de sinal. O gdpc implementa componentes principais dinâmicos generalizados. Pcdpca estende componentes principais dinâmicos para séries temporais multivariadas correlacionadas periodicamente. Os modelos VARIMA e os modelos espaciais estaduais são fornecidos no pacote dse. EvalEst facilita experimentos de Monte Carlo para avaliar os métodos de estimação associados. Os modelos de correção de erros vetoriais estão disponíveis via urca. Vars e tsDyn, incluindo versões com restrições estruturais e limitações. Análise de componentes da série temporal. A análise de fator de séries temporais é fornecida em tsfa. O ForeCA implementa a análise de componentes para análise, buscando as melhores transformações lineares que tornam uma série de tempo multivariada tão previsível quanto possível. O PCA4TS encontra uma transformação linear de uma série de tempo multivariada que fornece subseries de dimensões baixas que não estão correlacionadas entre si. Os modelos de espaço de estado multivariados são implementados no pacote FKF (Fast Kalman Filter). Isso fornece modelos de espaço de estado relativamente flexíveis através da função fkf (): os parâmetros de espaço de estado podem variar de tempo e as intercepções estão incluídas em ambas as equações. Uma implementação alternativa é fornecida pelo pacote KFAS que fornece um filtro multivariável rápido de Kalman, mais suave, simulação mais suave e previsão. Mais uma implementação é dada no pacote dlm, que também contém ferramentas para converter outros modelos multivariados em forma de espaço de estados. Dlmodeler fornece uma interface unificada para dlm. KFAS e FKF. O MARSS se encaixa modelos de estado-espaço autoregressivo multivariáveis ​​restritos e sem restrições usando um algoritmo EM. Todos esses pacotes assumem que os termos de erro observacional e de estado não estão correlacionados. Os processos de Markov parcialmente observados são uma generalização dos modelos de espaço de estado linear linear multivariável, permitindo modelos não-gaussianos e não-lineares. Estes são implementados no pacote pomp. Os modelos de volatilidade estocástica multivariada (usando fatores latentes) são fornecidos por fatores de volume. Análise de grandes grupos de séries temporais O agrupamento de séries temporais é implementado no TSclust. Dtwclust. BNPTSclust e pdc. TSdist fornece medidas de distância para dados de séries temporais. O jmotif implementa ferramentas baseadas em discretização simbólica de séries temporais para encontrar motivos em séries temporais e facilita a classificação de séries temporais interpretáveis. Rucrdtw fornece ligações R para funções do UCR Suite para permitir a subseqüência ultra-rápida procurar uma melhor combinação em Dynamic Time Warping e Euclidean Distance. Os métodos para traçar e prever coleções de séries temporais hierárquicas e agrupadas são fornecidos por hts. Ladrão usa métodos hierárquicos para conciliar previsões de séries temporais temporariamente agregadas. Uma abordagem alternativa para conciliar as previsões de séries temporais hierárquicas é fornecida pela gtop. Ladrão Modelos de tempo contínuo A modelagem autoregressiva de tempo contínuo é fornecida em cts. Sim. DiffProc simula e modela equações diferenciais estocásticas. A simulação e a inferência para equações diferenciais estocásticas são fornecidas pela sde e yuima. Bootstrapping. O pacote de inicialização fornece a função tsboot () para bootstrapping de séries temporais, incluindo bootstrap de bloco com várias variantes. Tsbootstrap () do tseries oferece bootstrapping rápido e estacionário rápido. O bootstrap máximo de entropia para séries temporais está disponível no meboot. O início do tempo calcula o bootstrap CI para a amostra ACF e periodograma. O BootPR calcula os prontuários corrigidos por polarização e os intervalos de predição do boostrap para séries temporais autorregressivas. Dados de Makridakis, Wheelwright e Hyndman (1998) Previsão: métodos e aplicações são fornecidos no pacote fma. Dados de Hyndman, Koehler, Ord e Snyder (2008) A previsão com suavização exponencial está no pacote expsmooth. Dados de Hyndman e Athanasopoulos (2013) Previsão: princípios e práticas estão no pacote fpp. Os dados da concorrência M e da competição M3 são fornecidos no pacote Mcomp. Os dados da competição M4 são dados em M4comp. Enquanto a Tcomp fornece dados do Concurso de Previsão de Turismo 2010 da IJF. O pdfetch fornece instalações para o download de séries temporais econômicas e financeiras de fontes públicas. Os dados do portal online Quandl para conjuntos de dados financeiros, econômicos e sociais podem ser consultados interativamente usando o pacote Quandl. Os dados do portal online Datamarket podem ser obtidos usando o pacote rdatamarket. Apostas fornece acesso às séries temporais econômicas mais importantes do Brasil. Os dados de Cryer e Chan (2010) estão no pacote TSA. Os dados de Shumway e Stoffer (2011) estão no pacote astsa. Dados de Tsay (2005) A análise das séries temporais financeiras está no pacote FinTS, juntamente com algumas funções e arquivos de script necessários para trabalhar alguns dos exemplos. Tswge acompanha o texto Applied Time Series Analysis with R. 2ª edição de Woodward, Gray e Elliott. TSdbi fornece uma interface comum para bancos de dados de séries temporais. A fama fornece uma interface para bancos de dados de séries temporais FAME AER e Ecdat ambos contêm muitos conjuntos de dados (incluindo dados de séries temporais) de muitos livros de texto de econometria dtw. Algoritmos dinâmicos de distorção do tempo para computar e traçar alinhamentos em pares entre séries temporais. EnsembleBMA. Bayesian Model Modeling para criar previsões probabilísticas a partir de previsões de conjunto e observações meteorológicas. Aviso prévio. Alertas iniciais sinalizam caixa de ferramentas para detectar transições críticas em eventos de séries temporais. Transforma dados de eventos extraídos pela máquina em séries temporais multivariadas agregadas regulares. FeedbackTS. Análise da direcionalidade de tempo fragmentada para investigar feedback em séries temporais. O LPStimeSeries pretende encontrar uma similaridade de padrões quotlearned para séries temporais. O MAR1 fornece ferramentas para a preparação de dados de séries temporais ecológicas da comunidade para modelagem AR multivariada. Redes. Rotinas para a estimativa de redes de correlação parcial esparsas de longo prazo para dados de séries temporais. Paleta. Evolução da modelagem em séries temporais paleontológicas. Pastecs. Regulação, decomposição e análise de séries espaço-tempo. Ptw. Duração do tempo paramétrico. O RGENERATE fornece ferramentas para gerar séries temporais de vetores. RMAWGEN é um conjunto de funções S3 e S4 para geração estocástica espacial multi-site de séries temporais diárias de temperatura e precipitação, utilizando modelos VAR. O pacote pode ser usado em climatologia e hidrologia estatística. RSEIS. Ferramentas sísmicas de análise de séries temporais. Rts. Análise de séries temporais de quadriculação (por exemplo, séries temporais de imagens de satélite). Sae2. Modelos de séries temporais para estimativa de área pequena. SpTimer. Modelagem bayesiana spatio-temporal. vigilância. Modelagem e monitoramento temporário e espacial-temporal de fenômenos epidêmicos. TED. Série de tempo de turbulência Detecção e classificação de eventos. Marés. Funções para calcular características de séries temporais quase periódicas, p. Ex. Observou níveis de água estuarina. tigre. Os grupos temporalmente resolvidos de diferenças típicas (erros) entre duas séries temporais são determinados e visualizados. TSMining. Motivos Univariados e Multivariados de Mineração em Dados da Série do Tempo. TsModel. Modelagem de séries temporais para poluição atmosférica e saúde. Pacotes CRAN: links relacionados: