R中的非均匀多变量时间序列。

Question

我的数据集的一部分是：

 > df
   v1 v2 v3         v4
 1  1  0  1 03-11-2013
 2  5  2  0 09-11-2013
 3  4  2  0 12-11-2013
 4  2  6  1 14-11-2013
 5  3  0  1 21-11-2013
 6  0  0  1 24-11-2013

其中v4是非统一日期（实际数据明显更大）。 目的是基于预先存在的信息来估计“ v1”的下一个值（在这个非常简化的数据集中，观测值7）。 最简单的方法可能是仅使用v1的先前值，但是v1，v2和v3可能相关。 因此，理想的情况是利用所有信息。

我在R中尝试了package Forecast（），但发现处理非均匀时间序列有困难。 我也遇到过arima（）函数/模型，但似乎仍然只能使用统一的时间序列（？）。 因此，问题将是：

如何基于R中多个变量（包括我要预测的变量）的不均匀历史信息来预测某个变量的值？

Answer 1

对数据进行插值，然后尝试使用向量自回归模型，或者不理会v2和v3，而仅根据其（插值）历史预测v1。 这两个软件包的作者都有书籍以获取更多信息。

library(zoo)
z <- read.zoo(DF, index = 4, format = "%d-%m-%Y")
g <- zoo(, seq(start(z), end(z), "day")) # grid
zz <- na.spline(merge(z, g))

# alternative 1. forcast all variables for next 10 days
library(vars)
fm <- VAR(zz)
predict(fm) # AR prediction of next 10 days

# alternative 2. univariate forecast disregarding v2 and v3
library(forecast)
forecast(zz$v1)