Прогноз в ggplot2 с прерывистыми временными рядами

Question

Рассмотрим this пример файла. Я бы хотел спрогнозировать вес по времени. Обычно я делаю это с помощью кода ниже, но проблема заключается в том, что даты, которые у меня есть, являются прерывистыми. Самые старые из них каждый раз в то время, а последние раз на ежедневной основе. Я где-то читал, что в этом случае я буду использовать пакет xts, а не ts.

Сообщение об ошибке я получаю:

Warning message: 
In window.default(x, ...) : 'end' value not changed 

И:

Error in window.default(x, ...) : 'start' cannot be after 'end' 

Где я должен настроить следующий код, чтобы получить мой прогноз работает? Должен ли я экстраполировать недостающие веса и использовать ts в этом ежедневном измерении?

require(ggplot2) 
require(zoo) # as.yearmon() function 
require(forecast) # for forecasting 
require(xts) # extensible time series 

x <- get.url(https://dl.dropboxusercontent.com/u/109495328/example.csv) 
app_df <- read.csv(x, header=T, sep = ",", quote = "", stringsAsFactors = FALSE, na.strings = "..")  
colnames(app_df) <- c("Date", "Weight") 

date <- as.Date(strptime(app_df$Date, "%d.%m.%Y")) 
weight <- app_df$Weight 
df <- na.omit(data.frame(date,weight)) 

w <- as.numeric(weight) # ask: modifyingfunction with xts 
myts <- ts(w, start = c(2016), end = c(2016), freq = 7) # add time dimension 
# tail(weight, n=1) 

funggcast <- function(dn, fcast){ 

    en <- max(time(fcast$mean)) # Extract the max date used in the forecast 

    # Extract Source and Training Data 
    ds <- as.data.frame(window(dn, end = en)) 
    names(ds) <- 'observed' 
    ds$date <- as.Date(time(window(dn, end = en))) 

    # Extract the Fitted Values (need to figure out how to grab confidence intervals) 
    dfit <- as.data.frame(fcast$fitted) 
    dfit$date <- as.Date(time(fcast$fitted)) 
    names(dfit)[1] <- 'fitted' 

    ds <- merge(ds, dfit, all.x = T) # Merge fitted values with source and training data 

    # Extract the Forecast values and confidence intervals 
    dfcastn <- as.data.frame(fcast) 
    dfcastn$date <- as.Date(paste(row.names(dfcastn),"01","01",sep="-")) 
    names(dfcastn) <- c('forecast','lo80','hi80','lo95','hi95','date') 

    pd <- merge(ds, dfcastn,all= T) # final data.frame for use in ggplot 
    return(pd) 

} # ggplot function by Frank Davenport 

yt <- window(myts, end = c(4360)) # extract training data until last year 
yfit <- auto.arima(yt) # fit arima model 
yfor <- forecast(yfit) # forecast 
pd <- funggcast(myts, yfor) # extract the data for ggplot using function funggcast() 

ggplot(data = pd, aes(x = date, y = observed)) + 
    geom_line(aes(color = "1")) + 
    geom_line(aes(y = fitted,color="2")) + 
    geom_line(aes(y = forecast,color="3")) + 
    scale_colour_manual(values=c("red", "blue","black"),labels = c("Observed", "Fitted", "Forecasted"),name="Data") + 
    geom_ribbon(aes(ymin = lo95, ymax = hi95), alpha = .25) 

Answer 1

Ну, это похоже на то, что вы, вероятно, захотите. Функция funggcast делала предположения о датах, которые были просто не близки к истине, поэтому я изменил ее, чтобы она работала. И я создал xts. И я избавился от всего материала window, который, похоже, не имел никакого смысла для этих данных.

# R Script 
require(ggplot2) 
require(zoo) # as.yearmon() function 
require(forecast) # for forecasting 
require(xts) # extensible time series 
require(RCurl) 

x <- getURL("https://dl.dropboxusercontent.com/u/109495328/example.csv") 
app_df <- read.csv(text=x, header = T, sep = ",", quote = "", 
         stringsAsFactors = FALSE, na.strings = "..") 
colnames(app_df) <- c("Date", "Weight") 

date <- as.Date(strptime(app_df$Date, "%d.%m.%Y")) 
weight <- app_df$Weight 
df <- na.omit(data.frame(date, weight)) 

w <- as.numeric(weight) # ask: modifyingfunction with xts 
myts <- xts(weight, order.by=date) 
# tail(weight, n=1) 

funggcast_new <- function(dn, fcast) { 

    # en <- max(time(fcast$mean)) # Extract the max date used in the forecast (?) 
    # Extract Source and Training Data 
    ds <- as.data.frame(dn[,1]) 
    names(ds) <- 'observed' 
    ds$date <- time(dn) 

    # Extract the Fitted Values (need to figure out how to grab confidence intervals) 
    dfit <- as.data.frame(fcast$fitted) 
    dfit$date <- ds$date 
    names(dfit)[1] <- 'fitted' 

    ds <- merge(ds, dfit, all.x = T) # Merge fitted values with source and training data 

    # Extract the Forecast values and confidence intervals 
    dfcastn <- as.data.frame(fcast) 
    dfcastn$date <- time(fcast) + time(dn)[length(dn)] 

    names(dfcastn) <- c('forecast', 'lo80', 'hi80', 'lo95', 'hi95', 'date') 

    pd <- merge(ds, dfcastn, all = T) # final data.frame for use in ggplot 
    return(pd) 
} 
# ggplot function by Frank Davenport 

# yt <- window(myts, end = c(4360)) # extract training data until last year (?) 
yt <- myts 
yfit <- auto.arima(yt) # fit arima model 
yfor <- forecast(yfit) # forecast 
pd <- funggcast_new(myts, yfor) # extract the data for ggplot using function funggcast() 

ggplot(data = pd, aes(x = date, y = observed)) + 
    geom_line(aes(color = "1")) + 
    geom_line(aes(y = fitted, color = "2")) + 
    geom_line(aes(y = forecast, color = "3")) + 
    scale_colour_manual(values = c("red", "blue", "black"), 
      labels = c("Observed", "Fitted", "Forecasted"), name = "Data") + 
    geom_ribbon(aes(ymin = lo95, ymax = hi95), alpha = .25) 

Уступая: