如何在R中創建常規時間序列，以及如何在R中的CCF函數中解釋單位時間

Question

首先，一些背景。 該代碼的主要目標是在可變通量與其預測變量（sensor1，…，sensor）之間建立滯后關聯。 可變通量在過程的最后，因此每個傳感器的測量值必須在一定的時移（滯后）下與可變通量相關。 為了檢測這種滯后，計算了CCF和預白化，在可變磁通和傳感器1，磁通和傳感器2之間，等等。

可變通量和傳感器每5m采樣一次，但是由於某種原因，有時這種采樣不規則，因此時間序列不規則。

我的代碼有兩個主要問題。

** 1。 第一個問題：我必須將我的不規則數據幀轉換為每5m采樣的常規數據幀，這意味着重復最后一個值（我不想進行插值），例如，如果傳感器是每60m采樣一次，我想擴展該值12為了每5m測量一次。

2. 第二個問題：當我計算CCF時，我不知道滯后的含義是什么，例如，如果我得到滯后-300作為最大滯后，那么這是多少時間？ 有一些方法可以將我的時間序列采樣與滯后聯系起來？我可以在幾分鍾內表達我的滯后嗎？**

我的數據大約是一年的測量值，因此我采樣了2天，然后計算了所有的計算結果。 當我采樣2天並用預增白計算CCF時，最大滯后並不總是相同，因此我重復了大約1000次此過程，然后我可以估計平均最大滯后及其分散。

這是我的數據示例（僅40個樣本）。

       row.names  fecha                 flujo   sensor1 sensor2

2   38465   2012-07-10 03:45:00 0.9617  0.0000  0
3   38466   2012-07-10 03:50:00 0.9587  0.0000  0
4   38467   2012-07-10 03:55:00 0.9638  0.0000  0
5   38468   2012-07-10 04:00:00 0.9653  0.0000  0
6   38469   2012-07-10 04:05:00 0.9678  0.0000  0
7   38470   2012-07-10 04:10:00 1.0209  0.0000  0
8   38471   2012-07-10 04:15:00 0.9573  0.0000  0
9   38472   2012-07-10 04:20:00 0.9740  0.0000  0
10  38473   2012-07-10 04:25:00 0.9678  0.0000  0
11  38474   2012-07-10 04:30:00 0.9743  0.0000  0
12  38479   2012-07-10 04:55:00 0.9647  0.0000  0
13  38480   2012-07-10 05:00:00 1.0342  0.0000  0
14  38485   2012-07-10 05:25:00 1.1007  0.0000  0
15  38486   2012-07-10 05:30:00 1.0962  0.0000  0
16  38489   2012-07-10 05:45:00 1.0918  0.0000  0
17  38490   2012-07-10 05:50:00 1.0918  0.0000  0
18  38491   2012-07-10 05:55:00 1.1018  0.0000  0
19  38493   2012-07-10 06:05:00 0.8414  0.0000  0
20  38494   2012-07-10 06:10:00 1.0406  0.7862  0
21  38495   2012-07-10 06:15:00 1.0614  0.8123  0
22  38496   2012-07-10 06:20:00 1.0619  0.7966  0
23  38497   2012-07-10 06:25:00 1.0557  0.7713  0
24  38500   2012-07-10 06:40:00 0.8487  0.8541  0
25  38506   2012-07-10 07:10:00 0.8478  0.9849  0
26  38515   2012-07-10 07:55:00 1.0776  1.0056  0
27  38516   2012-07-10 08:00:00 1.0807  0.9735  0
28  38517   2012-07-10 08:05:00 1.0801  1.0088  0
29  38518   2012-07-10 08:10:00 1.0737  1.0576  0
30  38519   2012-07-10 08:15:00 1.01. 

％函數可生成2個連續的連續天樣本

matriz = function(datos){
n <- nrow(datos)
dia.aleatorio <- sample(1:(n/2), 1, replace=F)
dia.aleatorio
dia1 <- datos$fecha[dia.aleatorio]
dia1
t1 <- dia1$mda
t1
dia2 <- dia1 + 86400
dia2 <- as.POSIXlt(as.character(dia2),format="%Y-%m-%d %H:%M:%S")
t2 <- dia2$mday
t1
t2
mes.aleatorio <- sample(1:12, 1, replace=F)
mes.aleatorio
ifelse(t1>9, p1<-t1, p1 <- paste("0",t1,sep="") )
ifelse(t2>9, p2<-t2, p2 <- paste("0",t2,sep="") )
ifelse(mes.aleatorio>9, m2<-mes.aleatorio, m2 <- paste("0",mes.aleatorio,sep="") )
fecha.elejida1 <- paste(m2,p1, sep ="-")
fecha.elejida1
fecha.elejida2 <- paste(m2,p2, sep ="-")
fecha.elejida2
molienda.dia1 <- subset(datos, format(datos$fecha,'%m-%d')== fecha.elejida1)
molienda.dia2 <- subset(datos, format(datos$fecha,'%m-%d')== fecha.elejida2)
molienda2dias <- rbind(molienda.dia1,molienda.dia2)
molienda2dias$fecha <- as.POSIXlt(molienda2dias$fecha,format="%Y-%m-%d %H:%M:%S")
return(molienda2dias)
}

＃此功能不太好，但現在可以使用

函數生成具有至少1天數據的2個dias的矩陣

generar.matriz <- function(matriz.datos) {
  repeat {
    matriz.generada <- matriz(matriz.datos)
    numero.filas <- nrow(matriz.generada)
    # exit if the condition is met
    if (numero.filas > 290) break
}
  return(matriz.generada)

  }

函數僅考慮abs值即可計算最大滯后相關性。

Find_Max_CCF<- function(a,b){
  d <- ccf(a, b, plot = FALSE)
  cor = d$acf[,,1]
  lag = d$lag[,,1]
  cor.abs = abs(cor)
  res = data.frame(cor,cor.abs,lag)
  res_max = res[which.max(res$cor.abs),]
  return(res_max)
} 

預先設定兩個時間序列的功能

gen.lag2 = function(datos,columna){
 repeat {
    molienda.dia <- generar.matriz(datos)
    y <- xts(molienda.dia[2],molienda.dia$fecha)
    x <- xts(molienda.dia[columna],molienda.dia$fecha)
    m2a=auto.arima(x,lambda =TRUE, ic ="bic", stepwise=FALSE,approx=FALSE)
    bestOrder <- c(m2a$arma[1],m2a$arma[5],m2a$arma[2])
    m2b=arima(y,order=bestOrder,xreg=1:length(y),method="ML", optim.control = list(maxit = 1000))
    maximo.lag <- Find_Max_CCF(residuals(m2b), residuals(m2a))    
    if (maximo.lag$lag < 0) break
}
return(maximo.lag$lag)
}

I only use negative lags because my proceses must be causal 

有時預催乳的感覺會導致奇異矩陣，函數會停止，因此我使用trycatch創建了另一個函數來避免此問題，重復過程直到得到解決方案

lag.filter = function(datos,col,p,q){  
  repeat{
    er <- tryCatch(desf <- gen.lag1(datos,col,p,q), error = function(e) "este es un error")
    if (desf < 0 | class(er) == "numeric")
      return(desf)
  }
}

＃函數為每個時間序列創建一個滯后矩陣

matriz.desfase = function(data,nrep)
# se debe ingresar la data normal
desfases <- numeric()
for (i 3:ncol(data)){  
desfase[i-2] <- replicate(nrep, lag.filter2(data,i))
}

所有這些功能都可以使用，但是我的矩陣不是固定的時間序列，因此我必須找到從我的矩陣創建5m固定時間序列的方法。 如果我從ccf得出的滯后與我的時間序列步長之間沒有關系（在我的情況下為5分鍾），那么我得到的滯后也是無法解釋的

任何建議都將受到歡迎

提前致謝，

Answer 1

我找到了一種使用此功能將數據轉換為常規5m時間序列的方法

regular = function(x){
    index <- molienda.dia$fecha
    delta.5m <- as.POSIXct(index[1])+(0:576)*60*5
    aux.5m <- xts(rep(NA,length(delta.5m)), order.by=delta.5m)
    #x1 <-na.locf(merge(aux.5m, x)[,2])
    x2 <- merge(aux.5m, na.locf(merge(aux.5m, x)[,2]), join="inner")[,2]
    return(x2)
    }
    x <- regular(x)
    y <- regular(y)

關於時間單位，我想以秒為單位，因為我的時間單位是