如何为10分钟间隔的多年度含NA数据集创建时间序列对象？

1. 确定ts()的frequency参数 #

你的数据是每10分钟一次的观测，frequency参数代表一个周期内的观测数量，可根据你关注的周期维度选择：

• 按天为周期：一天有 24*60/10 = 144 个观测 → frequency=144
• 按周为周期：一周有 7*144 = 1008 个观测 → frequency=1008
• 按年为周期：平年有 365*144 = 52560 个观测 → frequency=52560（闰年可近似用此值，或根据实际数据调整）

创建ts对象示例 #

先提取起始时间的年、日及时间占比，再构建序列：

# 提取第一个时间点
start_time <- temp$TS[1]
# 转换为年、一年中的第几天、小时占比
start_year <- as.integer(strftime(start_time, "%Y"))
start_day <- as.integer(strftime(start_time, "%j"))
start_hour_frac <- as.numeric(strftime(start_time, "%H"))/24 + as.numeric(strftime(start_time, "%M"))/(24*60)
# 以天为周期创建ts对象
temp_ts <- ts(temp$value, start = c(start_year, start_day + start_hour_frac), frequency = 144)

2. 更推荐的高频时间序列处理工具 #

ts()更适合低频次（年/季/月）的规则序列，对于每10分钟的高频数据，xts或zoo包更友好，直接用POSIXct索引无需手动计算frequency：

library(xts)
# 创建xts对象
temp_xts <- xts(temp$value, order.by = temp$TS)

3. NA值处理 #

先填充缺失值避免影响后续分析，常用方法：

# 用zoo包的线性插值填充
library(zoo)
temp_xts_filled <- na.approx(temp_xts)

# 或用imputeTS包的插值方法
library(imputeTS)
temp_ts_filled <- na.interpolation(temp_ts)

4. 后续分析操作 #

相关性分析 #

• 计算序列自身的滞后相关性：

# 针对ts对象
acf(temp_ts_filled, lag.max = 144*7) # 查看一周内的滞后相关性
ccf(temp_ts_filled, temp_ts_filled, lag.max = 144) # 交叉相关性（自身示例）

# 针对xts对象
acf(temp_xts_filled)

趋势、周期性与季节性分析 #

• 趋势分析：用线性回归或滑动平均：

# 线性回归（xts对象）
trend_model <- lm(coredata(temp_xts_filled) ~ index(temp_xts_filled))
summary(trend_model)

# 滑动平均可视化
library(ggplot2)
ggplot(data.frame(time=index(temp_xts_filled), value=coredata(temp_xts_filled)), aes(x=time, y=value)) +
  geom_line(alpha=0.5) +
  geom_smooth(method="loess", span=0.1, color="red") # 滑动平均展示趋势

• 季节性/周期性分解：若用ts对象，可用stl()分解趋势、季节性、残差：

# 以天为周期分解
temp_stl <- stl(temp_ts_filled, s.window = "periodic")
plot(temp_stl)

• 周期性检测：通过ACF图找显著滞后，或用FFT分析：

# FFT分析
fft_result <- fft(temp_ts_filled)
magnitude <- Mod(fft_result)
freq <- seq_along(magnitude)/length(magnitude)
plot(freq, magnitude, type="l", xlab="Frequency", ylab="Magnitude")

内容的提问来源于stack exchange，提问作者kipepeo