如何使用具有'Index'和Datetime值的時間序列數據以繪圖方式繪制預測

Question

我想使用plotly繪制時間序列的預測。 但是我的時間序列索引由時間戳[Date Time]值組成。 這使得很難繪制預測部分。

    > qxts
                          [,1]
2017-04-25 16:52:00 -0.4120000
2017-04-25 16:53:00 -0.4526667
2017-04-25 16:54:00 -0.4586667
2017-04-25 16:55:00 -0.4606667
2017-04-25 16:56:00 -0.5053333
2017-04-25 16:57:00 -0.5066667
2017-04-25 16:58:00 -0.5100000
2017-04-25 16:59:00 -0.4986667
2017-04-25 17:00:00 -0.5026667
2017-04-25 17:01:00 -0.5053333
2017-04-25 17:02:00 -0.5020000
2017-04-25 17:03:00 -0.5066667
2017-04-25 17:04:00 -0.5080000
2017-04-25 17:05:00 -0.5040000
2017-04-25 17:06:00 -0.5013333
2017-04-25 17:07:00 -0.5020000
2017-04-25 17:08:00 -0.5020000
2017-04-25 17:09:00 -0.5040000
2017-04-25 17:10:00 -0.5046667
2017-04-25 17:11:00 -0.5053333
2017-04-25 17:12:00 -0.5013333
2017-04-25 17:13:00 -0.5033333
2017-04-25 17:14:00 -0.4966667
2017-04-25 17:15:00 -0.5040000
2017-04-25 17:16:00 -0.4980000
2017-04-25 17:17:00 -0.3893333
2017-04-25 17:18:00 -0.3640000
2017-04-25 17:19:00 -0.3653333
2017-04-25 17:20:00 -0.3586667
2017-04-25 17:21:00 -0.3600000
2017-04-25 17:22:00 -0.3553333
2017-04-25 17:23:00 -0.3653333
2017-04-25 17:24:00 -0.3606667
2017-04-25 17:25:00 -0.3640000
2017-04-25 17:26:00 -0.3546667
2017-04-25 17:27:00 -0.3700000
2017-04-25 17:28:00 -0.3653333
2017-04-25 17:29:00 -0.3673333
2017-04-25 17:30:00 -0.3966667
2017-04-25 17:31:00 -0.4693333
2017-04-25 17:32:00 -0.4586667
2017-04-25 17:33:00 -0.4640000
2017-04-25 17:34:00 -0.4573333
2017-04-25 17:35:00 -0.4646667
2017-04-25 17:36:00 -0.4680000
2017-04-25 17:37:00 -0.4688000
2017-04-25 17:38:00 -0.4673333
2017-04-25 17:39:00 -0.4606667
2017-04-25 17:40:00 -0.4653333
2017-04-25 17:41:00 -0.4720000
2017-04-25 17:42:00 -0.4533333
2017-04-25 17:43:00 -0.4660000
2017-04-25 17:44:00 -0.4646667
2017-04-25 17:45:00 -0.4593333
2017-04-25 17:46:00 -0.4646667
2017-04-25 17:47:00 -0.4580000
2017-04-25 17:48:00 -0.4646667
2017-04-25 17:49:00 -0.4740000
2017-04-25 17:50:00 -0.4173333
2017-04-25 17:51:00 -0.4640000
2017-04-25 17:52:00 -0.4600000
2017-04-25 17:53:00 -0.4686667
2017-04-25 17:54:00 -0.4720000
2017-04-25 17:55:00 -0.4653333
2017-04-25 17:56:00 -0.4720000
2017-04-25 17:57:00 -0.4626667
2017-04-25 17:58:00 -0.4624000
2017-04-25 17:59:00 -0.4653333
2017-04-25 18:00:00 -0.4673333
2017-04-25 18:01:00 -0.4600000
2017-04-25 18:02:00 -0.4646667
2017-04-25 18:03:00 -0.4613333
2017-04-25 18:04:00 -0.4660000
2017-04-25 18:05:00 -0.4620000
2017-04-25 18:06:00 -0.4620000
2017-04-25 18:07:00 -0.4666667
2017-04-25 18:08:00 -0.4573333
2017-04-25 18:09:00 -0.4660000
2017-04-25 18:10:00 -0.4640000
2017-04-25 18:11:00 -0.4640000
2017-04-25 18:12:00 -0.4886667
2017-04-25 18:13:00 -0.5433333
2017-04-25 18:14:00 -0.4893333
2017-04-25 18:15:00 -0.3600000
2017-04-25 18:16:00  0.0000000
2017-04-25 18:17:00  0.0000000
2017-04-25 18:18:00  0.0000000
2017-04-25 18:19:00  0.0000000
2017-04-25 18:20:00  0.0000000
2017-04-25 18:21:00  0.0000000
2017-04-25 18:22:00  0.0000000
2017-04-25 18:23:00  0.0000000
2017-04-25 18:24:00  0.0000000
2017-04-25 18:25:00  0.0000000
2017-04-25 18:26:00  0.0000000
2017-04-25 18:27:00  0.0000000
2017-04-25 18:28:00  0.0000000
2017-04-25 18:29:00  0.0000000
2017-04-25 18:30:00  0.0000000
2017-04-25 18:31:00  0.0000000
2017-04-25 18:32:00  0.0000000
2017-04-25 18:33:00  0.0000000
2017-04-25 18:34:00  0.0000000
2017-04-25 18:35:00  0.0000000
2017-04-25 18:36:00 -0.3573333
2017-04-25 18:37:00 -0.4646667
2017-04-25 18:38:00 -0.3360000
2017-04-25 18:39:00 -0.4453333
2017-04-25 18:40:00 -0.4933333
2017-04-25 18:41:00 -0.4446667
2017-04-25 18:42:00 -0.3253333
2017-04-25 18:43:00 -0.6020000
2017-04-25 18:44:00 -0.3304000
2017-04-25 18:45:00 -0.3946667
2017-04-25 18:46:00 -0.4066667
2017-04-25 18:47:00 -0.4066667
2017-04-25 18:48:00 -0.5253333
2017-04-25 18:49:00 -0.5520000
2017-04-25 18:50:00 -0.6973333
2017-04-25 18:51:00 -0.5260000
2017-04-25 18:52:00 -0.5653333
2017-04-25 18:53:00 -0.4514286
2017-04-25 18:54:00 -0.3973333
2017-04-25 18:55:00 -0.5920000
2017-04-25 18:56:00 -0.4912000
2017-04-25 18:57:00 -0.4313333
2017-04-25 18:58:00 -0.1973333
2017-04-25 18:59:00 -0.5460000
2017-04-25 19:00:00 -0.4960000
2017-04-25 19:01:00 -0.4595000
2017-04-25 19:02:00 -0.4592000
2017-04-25 19:03:00 -0.4537143
2017-04-25 19:04:00 -0.4553333
2017-04-25 19:05:00 -0.4613333
2017-04-25 19:06:00 -0.4620000
2017-04-25 19:07:00 -0.4573333
2017-04-25 19:08:00 -0.4606667
2017-04-25 19:09:00 -0.4560000
2017-04-25 19:10:00 -0.4593333
2017-04-25 19:11:00 -0.4580000
2017-04-25 19:12:00 -0.4568000
2017-04-25 19:13:00 -0.4554286
2017-04-25 19:14:00 -0.4546667
2017-04-25 19:15:00 -0.4540000
2017-04-25 19:16:00 -0.4526667
2017-04-25 19:17:00 -0.4640000
2017-04-25 19:18:00 -0.4566667
2017-04-25 19:19:00 -0.4544000
2017-04-25 19:20:00 -0.4566667
2017-04-25 19:21:00 -0.4546667
2017-04-25 19:22:00 -0.4600000
2017-04-25 19:23:00 -0.4584000
2017-04-25 19:24:00 -0.4593333
2017-04-25 19:25:00 -0.3946667
2017-04-25 19:26:00 -0.3673333
2017-04-25 19:27:00 -0.2824000
2017-04-25 19:28:00 -0.3446667
2017-04-25 19:29:00 -0.4646667
2017-04-25 19:30:00 -0.4433333
2017-04-25 19:31:00 -0.3392000
2017-04-25 19:32:00 -0.3326667
2017-04-25 19:33:00 -0.3633333
2017-04-25 19:34:00 -0.4360000
2017-04-25 19:35:00 -0.5180000
2017-04-25 19:36:00 -0.1593333
2017-04-25 19:37:00 -0.2493333
2017-04-25 19:38:00 -0.4336000
2017-04-25 19:39:00 -0.4626667
2017-04-25 19:40:00 -0.4100000
2017-04-25 19:41:00 -0.3573333
2017-04-25 19:42:00 -0.3616000
2017-04-25 19:43:00 -0.4946667
2017-04-25 19:44:00 -0.5220000
2017-04-25 19:45:00 -0.2940000
2017-04-25 19:46:00 -0.4528000
2017-04-25 19:47:00 -0.4740000
2017-04-25 19:48:00 -0.3426667
2017-04-25 19:49:00 -0.5368000
2017-04-25 19:50:00 -0.4233333
2017-04-25 19:51:00 -0.4986667
2017-04-25 19:52:00 -0.4393333
2017-04-25 19:53:00 -0.4648000
2017-04-25 19:54:00 -0.3686667
2017-04-25 19:55:00 -0.2673333
2017-04-25 19:56:00 -0.3033333
2017-04-25 19:57:00 -0.2128000
2017-04-25 19:58:00 -0.3980000
2017-04-25 19:59:00 -0.4446667
2017-04-25 20:00:00 -0.6368000
2017-04-25 20:01:00 -0.3373333
2017-04-25 20:02:00 -0.2600000

預測我的時間序列

fit.xts <- auto.arima(qxts)
fore.xts <- forecast(fit.xts, h=10)

繪制預測

plot_ly() %>% add_lines(x = ~time(qxts), y = ~qxts,
color = I("black"), name = "observed") %>% 
add_ribbons(x = time(fore.xts$mean), ymin = fore.xts$lower[, 2], ymax = 
fore.xts$upper[, 2],
color = I("gray95"), name = "95% confidence") %>%
add_ribbons(x = time(fore.xts$mean), ymin = fore.xts$lower[, 1], ymax = 
fore.xts$upper[, 1],color = I("gray80"), name = "80% confidence") %>%
add_lines(x = time(fore.xts$mean), y = fore.xts$mean, color = I("blue"), name = "prediction")

這給出了空圖。 有人能幫我嗎？ 我一直在尋找答案兩天。

dput（qxts）結構（c（-0.4120000005，-0.452666665083333，-0.458666667316667，-0.460666666416667，-0.505333344133333，-0.506666670233333，-0.50999999045，-0.498666668933333，-0.502666672066667，-0.505333344133333，-0.5020000080,166，-66781 -0.501333341，-0.50200000405，-0.502000009016667，-0.504000003133333，-0.50466667115，-0.505333344133333，-0.501333341，-0.503333340083333，-0.496666664883333，-0.5040000081，-0.49799999595，-0.3893333375666333，-0.3640000075，-0.3.33333385659633 ，-0.365333338566667，-0.360666667416667，-0.3640000075，-0.3546666652，-0.369999999783333，-0.3653333336，-0.36733333765，-0.396666670833333，-0.469333335766667，-0.4586666673，-0.4639999916，-0.457333331283333，-0.4646666596，-0.4680687683 0.460666661433333，-0.4653333326，-0.4720000029，-0.453333328166667，-0.466000000616667，-0.4646666646，-0.45933333535，-0.464666659633333，-0 .4579999993，-0.464666669566667，-0.473999996983333，-0.417333334666667，-0.46400000155，-0.4599999934，-0.46866666775，-0.47200000288，-0.465333337583333，-0.4719999979，-0.462666660516667，-0.46240000126，-0.465333322666667，-0.40.3333646， ，-0.46599999565，-0.461999997483333，-0.461999992516667，-0.466666663683333，-0.457333336283333，-0.46600000065，-0.463999996566667，-0.46400000155，-0.488666658566667，-0.543333326766667，-0.489333341533333，-0.3600000143、0、0、0、0、0、0、0 ，0，0，0，0，0，0，0，0，0，0，0，0，0，-0.3573333323，-0.464666662133333，-0.3360000037，-0.445333333066667，-0.49333334465，-0.444666661316667，-0.325333339483333，-0.60199998815 ，-0.33039999454，-0.394666674216667，-0.406666671233333，-0.4066666588，-0.52533333005，-0.552000006066667，-0.6973333458，-0.526000003，-0.565333336583333，-0.451428575185714，-0.3973333314，-0.5919999999994871429，-0.49120000004，-0.3313333459966 8833333，-0.49600000976，-0.4595000035875，-0.45920000072，-0.453714281285714，-0.455333337166667，-0.461333334433333，-0.461999992533333，-0.457333331283333，-0.4606666664，-0.456000005183333，-0.4593333254，-0.4579999993，-0.45670.49999， -0.452666665083333，-0.464000001533333，-0.456666668216667，-0.45439999696，-0.45666666825，-0.454666664166667，-0.459999998383333，-0.45840000508，-0.459333330366667，-0.39466666181616667--0.367333332983333，-0.2823999971，-0.30.3666666，964 ，-0.363333340716667，-0.43599999546，-0.518000001716667，-0.15933333585，-0.2493333357，-0.43359999356，-0.462666669166667，-0.410000008833333，-0.357333337883333，-0.3615999937，-0.494666665783333，-0.52200000485，-0.29400000225，-0.4527999997，-632 0.53680000306，-0.423333331933333，-0.498666671416667，-0.439333344516667，-0.46480000914，-0.368666 668733333，-0.2673333399，-0.303333333366667，-0.21279999912，-0.398000004383333，-0.444666676216667，-0.63679999114，-0.337333336466667，-0.2599999905）.Dim = c（191L，1L），索引=結構（c（149（3139120），1493139180，1493139240，1493139240） ，1493139360，1493139420，1493139480，1493139540，1493139600，1493139660，1493139720，1493139780，1493139840，1493139900，1493139960，1493140020、1493140080，1493140140，1493140200，1493140260，1493140320，1493140380 1493140140，1493140460 1490140140 ，1493140860、1493140920、1493140980、1493141040、1493141100、1493141160、1493141220、1493141280、1493141340、1493141400、1493141460、1493141520、1493141580、1493141640、1493141700、1493141760、1493141820、1493141880、1493141142、1493142140142 1294141931 ，1493142360，1493142420，1493142480，1493142540，1493142600，1493142660，1493142720，1493142780，1493142840，1493142900，1493142960，1493143020，1493143080、1 493143140、1493143200、1493143260、1493143320、1493143380、1493143440、1493143500、1493143560、1493143620、1493143680、1493143740、1493143800、1493143860、1493143920、1493143980、1493144040、1493144100、1493144160 1294144144 1144144144 1144144144 1144144144 1493144640，1493144700，1493144760，1493144820，1493144880，1493144940，1493145000，1493145060，1493145120，1493145180，1493145240，1493145300，1493145360，1493145420，1493145480，1493145540，1493145600，1493145420，1493145720，1493145720，1493145960，1493145720 1493146140、1493146200、1493146260、1493146320、1493146380、1493146440、1493146500、1493146560、1493146620、1493146680、1493146740、1493146800、1493146860、1493146920、1493146980、1493147040、1493493100100、4933147160、1493147220、1493147220、1493147220、147 1493147640、1493147700、1493147760、1493147820、1493147880、1493147940、1493148000、1493148060、14931 48120，1493148180，1493148240，1493148300，​​1493148360，1493148420，1493148480，1493148540，1493148600，1493148660，1493148720，1493148780，1493148840，1493148900，1493148960，1493149020，1493149080，1493149140，1493149149、1493149149，1493149149 1493149620、1493149680、1493149740、1493149800、1493149860、1493149920、1493149980、1493150040、1493150100、1493150160、1493150220、1493150280、1493150340、1493150400、1493150460、1493150520），tzone =“”，tclass = c（“ POSIXt”）， ），class = c（“ xts”，“ zoo”）、. indexCLASS = c（“ POSIXct”，“ POSIXt”），tclass = c（“ POSIXct”，“ POSIXt”）、. indexTZ =“”，tzone = “”）

Answer 1

您可以通過as.POSIXct轉換時間戳，然后將其繪制。 對於預測，您還需要提供日期（在以下示例中，我假設時差始終相等）。

library(forecast)

qxts = structure(list(y=c(-0.4120000005, -0.452666665083333, -0.458666667316667, -0.460666666416667, -0.505333344133333, -0.506666670233333, -0.50999999045, -0.498666668933333, -0.502666672066667, -0.505333344133333, -0.50200000405, -0.506666680166667, -0.508000006266667, -0.5040000081, -0.501333341, -0.50200000405, -0.502000009016667, -0.504000003133333, -0.50466667115, -0.505333344133333, -0.501333341, -0.503333340083333, -0.496666664883333, -0.5040000081, -0.49799999595, -0.389333337533333, -0.3640000075, -0.365333338566667, -0.3586666733, -0.3599999994, -0.355333338183333, -0.365333338566667, -0.360666667416667, -0.3640000075, -0.3546666652, -0.369999999783333, -0.3653333336, -0.36733333765, -0.396666670833333, -0.469333335766667, -0.4586666673, -0.4639999916, -0.457333331283333, -0.4646666596, -0.4680000047, -0.4687999964, -0.467333336683333, -0.460666661433333, -0.4653333326, -0.4720000029, -0.453333328166667, -0.466000000616667, -0.4646666646, -0.45933333535, -0.464666659633333, -0.4579999993, -0.464666669566667, -0.473999996983333, -0.417333334666667, -0.46400000155, -0.4599999934, -0.46866666775, -0.47200000288, -0.465333337583333, -0.4719999979, -0.462666660516667, -0.46240000126, -0.465333322666667, -0.4673333317, -0.459999993416667, -0.464666659616667, -0.461333329466667, -0.46599999565, -0.461999997483333, -0.461999992516667, -0.466666663683333, -0.457333336283333, -0.46600000065, -0.463999996566667, -0.46400000155, -0.488666658566667, -0.543333326766667, -0.489333341533333, -0.3600000143, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -0.3573333323, -0.464666662133333, -0.3360000037, -0.445333333066667, -0.49333334465, -0.444666661316667, -0.325333339483333, -0.60199998815, -0.33039999454, -0.394666674216667, -0.406666671233333, -0.4066666588, -0.52533333005, -0.552000006066667, -0.6973333458, -0.526000003, -0.565333336583333, -0.451428575185714, -0.3973333314, -0.591999994871429, -0.49120000004, -0.4313333432, -0.197333325966667, -0.545999998833333, -0.49600000976, -0.4595000035875, -0.45920000072, -0.453714281285714, -0.455333337166667, -0.461333334433333, -0.461999992533333, -0.457333331283333, -0.4606666664, -0.456000005183333, -0.4593333254, -0.4579999993, -0.45679999586, -0.455428570485714, -0.454666664183333, -0.453999991183333, -0.452666665083333, -0.464000001533333, -0.456666668216667, -0.45439999696, -0.45666666825, -0.454666664166667, -0.459999998383333, -0.45840000508, -0.459333330366667, -0.394666661816667, -0.367333332983333, -0.2823999971, -0.3446666648, -0.464666659633333, -0.443333327766667, -0.33920000494, -0.332666660333333, -0.363333340716667, -0.43599999546, -0.518000001716667, -0.15933333585, -0.2493333357, -0.43359999356, -0.462666669166667, -0.410000008833333, -0.357333337883333, -0.3615999937, -0.494666665783333, -0.52200000485, -0.29400000225, -0.4527999997, -0.474000004416667, -0.342666663233333, -0.53680000306, -0.423333331933333, -0.498666671416667, -0.439333344516667, -0.46480000914, -0.368666668733333, -0.2673333399, -0.303333333366667, -0.21279999912, -0.398000004383333, -0.444666676216667, -0.63679999114, -0.337333336466667, -0.2599999905 ), 
                      date = c(1493139120, 1493139180, 1493139240, 1493139300, 1493139360, 1493139420, 1493139480, 1493139540, 1493139600, 1493139660, 1493139720, 1493139780, 1493139840, 1493139900, 1493139960, 1493140020, 1493140080, 1493140140, 1493140200, 1493140260, 1493140320, 1493140380, 1493140440, 1493140500, 1493140560, 1493140620, 1493140680, 1493140740, 1493140800, 1493140860, 1493140920, 1493140980, 1493141040, 1493141100, 1493141160, 1493141220, 1493141280, 1493141340, 1493141400, 1493141460, 1493141520, 1493141580, 1493141640, 1493141700, 1493141760, 1493141820, 1493141880, 1493141940, 1493142000, 1493142060, 1493142120, 1493142180, 1493142240, 1493142300, 1493142360, 1493142420, 1493142480, 1493142540, 1493142600, 1493142660, 1493142720, 1493142780, 1493142840, 1493142900, 1493142960, 1493143020, 1493143080, 1493143140, 1493143200, 1493143260, 1493143320, 1493143380, 1493143440, 1493143500, 1493143560, 1493143620, 1493143680, 1493143740, 1493143800, 1493143860, 1493143920, 1493143980, 1493144040, 1493144100, 1493144160, 1493144220, 1493144280, 1493144340, 1493144400, 1493144460, 1493144520, 1493144580, 1493144640, 1493144700, 1493144760, 1493144820, 1493144880, 1493144940, 1493145000, 1493145060, 1493145120, 1493145180, 1493145240, 1493145300, 1493145360, 1493145420, 1493145480, 1493145540, 1493145600, 1493145660, 1493145720, 1493145780, 1493145840, 1493145900, 1493145960, 1493146020, 1493146080, 1493146140, 1493146200, 1493146260, 1493146320, 1493146380, 1493146440, 1493146500, 1493146560, 1493146620, 1493146680, 1493146740, 1493146800, 1493146860, 1493146920, 1493146980, 1493147040, 1493147100, 1493147160, 1493147220, 1493147280, 1493147340, 1493147400, 1493147460, 1493147520, 1493147580, 1493147640, 1493147700, 1493147760, 1493147820, 1493147880, 1493147940, 1493148000, 1493148060, 1493148120, 1493148180, 1493148240, 1493148300, 1493148360, 1493148420, 1493148480, 1493148540, 1493148600, 1493148660, 1493148720, 1493148780, 1493148840, 1493148900, 1493148960, 1493149020, 1493149080, 1493149140, 1493149200, 1493149260, 1493149320, 1493149380, 1493149440, 1493149500, 1493149560, 1493149620, 1493149680, 1493149740, 1493149800, 1493149860, 1493149920, 1493149980, 1493150040, 1493150100, 1493150160, 1493150220, 1493150280, 1493150340, 1493150400, 1493150460, 1493150520))
                )

fit.xts <- auto.arima(qxts$y)
forecast_length <- 10
fore.xts <- forecast(fit.xts, h=forecast_length)


fore.dates <- seq(as.POSIXct(qxts$date[length(qxts$date)], origin='1970-01-01'), by=qxts$date[length(qxts$date)] - qxts$date[length(qxts$date)-1], len=forecast_length)

p <- plot_ly() %>%
  add_lines(x = as.POSIXct(qxts$date, origin='1970-01-01'), y = qxts$y,
             color = I("black"), 
             name = "observed", 
             marker=list(mode='lines')) %>% 
  add_lines(x = fore.dates, y = fore.xts$mean, color = I("blue"), name = "prediction") %>%
  add_ribbons(x = fore.dates, 
              ymin = fore.xts$lower[, 2], 
              ymax = fore.xts$upper[, 2],
              color = I("gray95"), 
              name = "95% confidence") %>%
  add_ribbons(p, 
              x = fore.dates, 
              ymin = fore.xts$lower[, 1], 
              ymax = fore.xts$upper[, 1],
              color = I("gray80"), name = "80% confidence")


p