TimeSeries

TimeSeries[{{t1,v1},{t2,v2}…}]

表示由时间数值对 {ti,vi} 指定的时间序列.

TimeSeries[{v1,v2,…},tspec]

表示在由 tspec 指定的时间处具有数值 vi 的时间序列.

更多信息和选项

  • TimeSeries 表示由时间数值对 {ti,vi} 组成的序列.
  • 数值 vi 可以是标量或者任意维度的数组，但是必须全部具有相等的维度.
  • 可以给出下列时间 tspec：
  • Automatic使用从 0 开始的均匀间隔的时间
    {tmin}使用从 tmin 开始的均匀间隔的时间
    {tmin,tmax}使用从 tmin 到 tmax 的均匀间隔的时间
    {tmin,tmax,dt}使用时间 tmin 至 tmax，步长为 dt
    {{t1,t2,…}}使用显式时间 {t1,t2,…}
  • ti 可以是数字或者 AbsoluteTime 的任意有效输入.
  • 数值 tmin、tmax 和 dt 可以以数字、日期或者 Automatic 的形式给出.
  • 指定 ts[t] 就是给出了时间 t 处的时间序列数值.
  • TimeSeries 是 TemporalData 的一种特殊情形，仅允许单个路径并始终在时间戳之间进行插值.
  • 具有相等维度 {ts1,ts2,…} 的 TimeSeries 对象可以使用 TemporalData[{ts1,ts2,…}] 合并为 TemporalData 对象.
  • TimeSeries 对象 ts 的属性可以从 ts["property"] 得到.
  • 可用属性列表可以用 ts["Properties"] 取得.
  • 时间序列的某些属性包括：
  • "Path"时间-数值对 {{t1,v1},…}
    "PathComponents"将多变量路径分成单变量分量
    "PathFunction"插值路径函数
    "PathLength"路径长度
    "Values"数值 {v1,…}
    "ValueDimensions"vi 的维度
    "Times"时间 {t1,…}
    "Dates"以日期表现的时间 {t1,…}
    "DatePath"日期-数值对 {{date1,v1},…}
    "FirstTime"初始时间 t1
    "FirstDate"以日期表现的初始时间 t1
    "LastTime"终止时间
    "LastDate"以日期表现的终止时间
    "FirstValue"初始时间的数值 v1
    "LastValue"终止时间的数值
  • 指定 ts["PathComponent",p] 会给出由 p 指定的值的向量分量的 TimeSeries.
  • 如果日期以输入给出，ts["Times"] 在 AbsoluteTime 中返回它们.
  • Normal[ts] 等价于 ts["Path"].
  • TimeSeries 具有下列选项：
  • CalendarType "Gregorian"使用的日历类型
    HolidayCalendar {"UnitedStates","Default"}使用的假期日历
    TimeZone $TimeZone使用的时区
    MetaInformation None包含额外的元信息
    MissingDataMethod None用于缺失数值的方法
    ResamplingMethod "Interpolation"用于重采样路径的方法
    TemporalRegularity Automatic是否假定数据是规则的
    DateFunction Automatic如何将数据转化为标准形式
    ValueDimensions Automatic值的维数
  • 默认情况下，一阶插值用于重采样. 可以给出设置 ResamplingMethod->{"Interpolation",opts}，其中 opts 是传递给 Interpolation 的选项.
  • 设置 MissingDataMethod->Automatic 将自动根据 ResamplingMethod 设置对头部为 Missing 的数值进行插值. 默认情况下，具有头部 Missing 的数值视为缺失值.
  • 设置 ValueDimensions->dim 指定值 vij 是维数 dim. 设置 ValueDimensions->Automatic 尝试自动根据数据确定值得维数.

范例

打开所有单元关闭所有单元

基本范例  (2)

从某些数值和时间创建时间序列：

可视化路径：

使用作为时间戳的日期：

使用 DateListPlot 绘制时间序列的图线：

2009年5月24日的股票价格：

整个日期范围内的股票平均价格：

范围  (33)

基本用法  (10)

可视化时间序列：

使用 TimeSeriesWindow 提取时间序列的一部分：

使用 TimeSeriesInsert 替换缺失值：

使用 TimeSeriesRescale 缩放从 0 到 20 的时间序列：

使用 TimeSeriesShift 把时间序列往前移 2：

把时间序列中的数值求平方：

使用 TimeSeriesMap 求向量值时间序列的分量之和：

求时间序列的 Mean：

均值只取决于数值：

计算加权均值：

计算时间序列的 MovingAverage：

使用 MovingMap 计算移动最大值：

使用 TimeSeriesAggregate 计算时间序列的周总计值：

使用 TimeSeriesModelFit 来拟合时间序列的参数模型：

使用 TimeSeriesForecast 预测时间序列中未来10个数值：

绘制具有预测值的时间序列：

使用 TimeSeriesThread 计算两个时间序列之间的差值：

创建时间序列  (14)

给出具有 Automatic 时间戳的数值列表：

创建开始于 的时间序列：

对起始时间使用日期：

日期可以以 AbsoluteTime 的任意有效输入给出：

使用从 10 到 50 的均匀间隔的时间：

给出使用的日期范围：

指定 Automatic 端点：

创建时间从 1 到 20，步长为 2 的时间序列：

使用 Automatic 端点和固定步长：

提取已计算的上次日期：

使用一个 Automatic 起点并给定频率：

提取已计算的首次时间：

明确指定使用的时间：

给出显式的日期列表：

给出时间数值对：

从日期数值对创建时间序列：

从涉及数量的数据创建时间序列：

提取属性和数值  (5)

获取可用属性的列表：

用于时间序列的数值：

时间：

时间数值对：

绘制时间序列图线：

用函数表示时间序列：

路径函数：

提取一组向量值数据的分量：

第一个分量：

获取第二个分量：

绘制路径分量：

在给定的时间集上对数据重新采样：

以步长 0.25 对原来的路径进一步采样：

新数据从路径函数采样：

包括量的时间序列：

值被给定为 QuantityArray：

提取量单位信息：

提取量幅度：

时间序列算术  (4)

数值的可列函数自动作用于时间序列上的数值：

与 TimeSeriesMap 的结果相比较：

用通过数值的同一时间戳结合几个时间序列：

这些时间序列在其支集的交集中的时间戳的并集重取样：

支集的交集是，含有时间戳的并集是：

加入重取样时间序列来比较结果：

根据已存在的包括量的时间序列创建一个新的量幅度时间序列：

创建新的量单位的时间序列：

选项  (12)

CalendarType  (1)

用 CalendarType 在特定的日历中指定时间戳：

默认用 "Gregorian" 日历：

指定输入日期的格式为 "Gregorian" 日历，但以 "Jewish" 日历显示：

DateFunction  (2)

使用 DateList 定义用于诠释模糊日期字符串得函数：

使用 DateObject 定义用于诠释模糊日期字符串得函数：

指定输入的 TimeZone：

HolidayCalendar  (1)

用 HolidayCalendar 可视化给定国家的营业日：

MetaInformation  (3)

包括额外元信息作为规则列表：

现在属性包括元信息 "Stock"：

所加的元信息可像其他任何属性一样被使用：

使用 MetaInformation 确定 PlotLegends：

看到可用 MetaInformation：

直接获取指定信息：

可视化数据：

使用 MetaInformation 命名向量值 TimeSeries 中的分量：

提取第二个分量：

使用名称或数字提取第一和第三个分量：

MissingDataMethod  (1)

以 Missing 开头的值被默认为是缺失的：

用 MissingDataMethod 来以常量替代缺失值：

用插值替换缺失值：

默认方法是阶数为 1 的插值：

ResamplingMethod  (1)

在中间时间的值默认用一阶插值计算：

在中间时间用 ResamplingMethod 赋一个常数值：

使用零阶插值：

TemporalRegularity  (1)

明确地假设时间数据是规则间隔的：

TimeZone  (1)

指定 TimeSeries 的时区：

时间戳是在 $TimeZone 中创建的，但日期按选项指定的时区显示：

ValueDimensions  (1)

指定值的维数：

应用  (13)

天文  (2)

使用 SunPosition 产生一定日期范围内芝加哥的太阳位置：

绘制这个时期内的方位角和海拔高度变化：

使用 MoonPosition 产生一定日期范围内月亮的位置：

验证月球的轨道是倾斜于地球赤道：

人口统计学  (1)

使用 CountryData 产生英国和德国的国内生产总值：

比较这两个国家的国内生产总值：

金融  (1)

预测股票价格：

拟合一个 ARIMA 过程：

预测下半年：

天气  (1)

芝加哥每个月第一天的平均气温：

拟合一个 SARIMA 过程：

预测未来三年每个月第一天的平均气温：

能量  (1)

用 NuclearReactorData 可视化切尔诺贝利反应堆的能量生产：

气象学  (2)

用 AirPressureData 检查在长岛麦克阿瑟机场的因飓风桑迪引起的压力读数下降：

用 WindSpeedData 比较在约翰·肯尼迪国际机场的夏天与冬天的风速：

设备  (2)

捕捉一个以0.05秒为间隔的10秒的时间序列：

沿着移动平均绘制时间序列：

以下时间序列是通过从一个 TinkerForge 气象站读取照度数据（每0.1秒一次，持续5秒，期间不停改变设备方向）而生成的：

绘制照度值：

数据的 Min，Mean 以及 Max：

通过轮流打开和关上环境光源来产生照度数据：

时间序列图显示了数据的近似周期性：

用 Fourier 验证周期性：

过滤  (1)

用 MeanFilter 过滤时间序列：

销售  (2)

以下数据代表一个小软件公司11年的年销售量：

用 LinearModelFit 对数据拟和一个线性模型：

对原始数据连同用线性模型得到的值进行绘图：

对数据进行权重为0.45的指数平滑处理：

绘制原始数据以及用指数平滑处理后的数值：

对美国1992至2015年的零售销售数据拟和一个参数模型：

用 TimeSeriesModelFit 对数据建一个时间序列模型：

用这个模型预测未来三个月的情况：

属性和关系  (3)

TimeSeries 在两个时间戳之间进行插值：

用 EventSeries 代表离散的时间：

两者在时间戳上是一致的：

然而，EventSeries 在时间戳之间不进行插值：

两者之间可以相互转换：

TimeSeries 只能包含一条路径：

时间序列只有一条路径：

对每一行数据，建立单独的 TimeSeries：

与第一行数据比较：

使用 TemporalData 包含多条路径：

某点处的 TimeSeries 返回一个数值或者插值：

在一个时间戳和时间戳之间进行评估：

用 TemporalData 存放多条路径以及获得在某个点的值的分布：

在时间戳和时间戳之间计算：

可能存在的问题  (4)

多维数据可能与时间数值对混淆：

指定 ValueDimensions 将数据视为向量值：

累积不规则抽样时间序列：

Accumulate 将重新抽样以产生规则抽样的时间序列：

与累积值进行比较：

为了恢复该形式，假设 TemporalRegularity：

TimeSeries 始终在时间戳之间进行插值：

要在时间戳之间仍然存在 Missing，将其用作值：

如果 ResamplingMethod 规范不是已实现的规范，则假设值为 Automatic：

巧妙范例  (2)

生成日行迹（太阳在上午 9 点的位置，以 10 天为增量）：

用动画显示中生代大陆板块的运动：

Wolfram Research (2014)，TimeSeries，Wolfram 语言函数，https://reference.wolfram.com/language/ref/TimeSeries.html （更新于 2015 年）.

文本

Wolfram Research (2014)，TimeSeries，Wolfram 语言函数，https://reference.wolfram.com/language/ref/TimeSeries.html （更新于 2015 年）.

CMS

Wolfram 语言. 2014. "TimeSeries." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2015. https://reference.wolfram.com/language/ref/TimeSeries.html.

APA

Wolfram 语言. (2014). TimeSeries. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/TimeSeries.html 年

BibTeX

@misc{reference.wolfram_2024_timeseries, author="Wolfram Research", title="{TimeSeries}", year="2015", howpublished="\url{https://reference.wolfram.com/language/ref/TimeSeries.html}", note=[Accessed: 23-November-2024 ]}

BibLaTeX

@online{reference.wolfram_2024_timeseries, organization={Wolfram Research}, title={TimeSeries}, year={2015}, url={https://reference.wolfram.com/language/ref/TimeSeries.html}, note=[Accessed: 23-November-2024 ]}