今年在某服装企业蹲点了4个多月，之间非常长一段时间在探索其现货和期货预測。时间序列也是做销售预測的首选，今天和小伙伴分享下时间序列的基本性质和怎样用R来挖据时间序列的相关属性。

首先读入一个时间序列：从1946年1月到1959年12月的纽约每月出生人口数量（由牛顿最初收集）数据集能够从此链接下载（http://robjhyndman.com/tsdldata/data/nybirths.dat）。

我们将数据读入R。而且存储到一个时间序列对象中，输入下面代码：

births<- scan("http://robjhyndman.com/tsdldata/data/nybirths.dat")

birthstimeseries<-ts(births,frequency=12,start=c(1946,1))

月度数据就设定frequency=12，季度数据就设定frequency=4。“start”參数来指定收集数据的第一年和这一年第一个间隔期。

接下来我们用plot函数绘制时间序列图：

plot.ts(birthstimeseries)

能够看到这个时间序列在一定月份存在的季节性变动：在每年的夏天都有一个出生峰值，在冬季的时候进入波谷。

相同，这种时间序列也可能是一个相加模型。随着时间推移。季节性波动时大致稳定的而不是依赖于时间序列水平，且对着时间的变化，随机波动看起来也是大致稳定的。

接下来我们来分解时间序列。时间序列分为：非季节性数据和季节性数据

一个非季节性时间序列包括一个趋势部分和一个不规则部分。分解时间序列即为试图把时间序列拆分成这些成分。也就是说，须要预计趋势的和不规则的这两个部分。

一个季节性时间序列包括一个趋势部分。一个季节性部分和一个不规则部分。

分解时间序列就意味着要把时间序列分解称为这三个部分：也就是预计出这三个部分。

上述的婴儿出生是明显季节性时间序列，我们採用R提供的“decompose()”函数分解该时间序列：

birthstimeseriescomponents <- decompose(birthstimeseries)

预计出的季节性、趋势的和不规则部分如今被存储在变量birthstimeseriescomponents$seasonal, birthstimeseriescomponents$trend和 birthstimeseriescomponents$random 中。

我们能够分别画出这三部分，观察其特性：

plot(birthstimeseriescomponents)

图展现出了原始的时间序列图（顶部），预计出的趋势部分图（第二部份），预计出的季节性部分（第三个部分）。预计得不规则部分（底部）。

我们能够看到预计出的趋势部分从1947年的24下降到1948年的22。紧随着是一个稳定的添加直到1949年的27。

上述演示样例充分展示了时间序列的多模型加和性，该属性也是时间序列的一个非常重要的属性，每拿到一个时间序列，我们首先须要推断该时间序列能否够用相加模型来描写叙述，在确定了加和属性后去考虑怎样分解时间序列，下面举一个样例说明（澳大利亚昆士兰州海滨度假圣地的纪念品商店从1987年1月到1987年12月的每月销售数据）。我们首先画出该序列，找个总体的感知：

souvenir <- scan("http://robjhyndman.com/tsdldata/data/fancy.dat")

souvenirtimeseries <- ts(souvenir, frequency=12, start=c(1987,1))

plot.ts(souvenirtimeseries)

结果例如以下：

该序列看上去不适合时间。由于该序列的季节波动性和随机波动的大小随着时间序列逐步上升。为了使该序列符合标准的时间序列从而採用相加模型描写叙述，我们对原始数据取自然对数进行转换：

logsouvenirtimeseries <- log(souvenirtimeseries)

plot.ts(logsouvenirtimeseries)

结果例如以下：

今天就和小伙伴们分享到这里了。后面会介绍经常使用的几种时间序列预測算法，敬请期待