R语言探索与分析20-北京市气温预测分析

一、序言

近年来，人类大量燃烧煤炭、天然气等含碳燃料导致温室气 体过度排放，大量温室气体强烈吸收地面辐射中的红外线，造 成温室效应不断累积，使得地球温度上升，造成全球气候变暖。气象温度的预测一直以来都是天气预测的重点问题，天气 不仅直接影响人们的健康、甚至影响人们的心情；此外，天气变 化还会影响一个国家的经济状况。据美国气候中心报告，美国 每年因为气象灾害的损失要达到 1000 亿美元。短临预报是近 年来的热点问题，其根据大气科学原理，运用统计学知识对未来 变化趋势预测。提高短临预测的准确率和效率，对国民经济有重要指导意义。....

二、研究现状

略

三、数据和方法说明

数据来源为全球暖化数据集，在其中本文选取了中国主要城市天气状况表（月）该数据集，其中选择了北京市的数据情况，具体情况如下：

时间序列是按照统计将某一个事物的统计量发生的先后顺序的值按照统计时间排列的数列。时间序列分析通过已经发生的序列数值规律，来预测未来序列的数值情况，通常应用于连续序列的预测问题。例如：金融领域对下一个交易日大盘点数的预测；未来天气情况的预测；下一个时刻某种商品的销量情况的预测；电影票房变化情况的预测。

.....

四、实证分析 

数据读取和展示

首先进行数据的读取和相应的展示：

library(openxlsx)
# 文件名+sheet的序号
dataset<- read.xlsx("气温预测.xlsx", sheet = 1)
#View(dataset)
dataset
summary(dataset)#####描述性统计分析

随后进行描述性统计分析

接下来进行数据的可视化展示：

###相对湿度
AverageRelativeHumidity<-dataset$AverageRelativeHumidity
AverageRelativeHumidity
barplot(AverageTemperature,xlab="时间",ylab="湿度",col="blue",main="平均相对湿度",border="blue")
###Precipitation降水量
Precipitation<-dataset$Precipitation
Precipitation
barplot(Precipitation,xlab="时间",ylab="Precipitation",col="blue",main="Precipitation降水量",border="green")

从上面四幅图可以看出，特别是最后一图，北京市1996-2019年的气温图，气温图有着极强的周期性、季节性。随后画出北京市1996-2019年的气温时序图。

时间序列模型的建立

进行模型构建前，要对序列数据纯随机性检验。可以判断数据是否具有建模的条件，如果没有，则没有意义建模。

#白噪声检验
for(i in 1:3) print(Box.test(AT,type = "Ljung-Box",lag=6*i))

表1  时间序列数据纯随机检验

滞后期数	卡方统计量	P值
滞后6期P值	808.94	0.000
滞后12期P值 滞后18期P值	1216.9 2387.9	0.000 0.000

随后画出自相关图和偏自相关图查看：

下面进行ADF检验，查看其平稳性：

从ADF检验结果显示，该序列为平稳序列，故不需要差分。随后就进行模型自动定阶：

###自动定阶
auto.arima(AT)
###模型拟合
AT.fit<-auto.arima(AT)

接下来进行模型比较和选择

随后展示序列状态分布的qq图，情况如下：

下面进行残差检验：

####残差检验
Box.test(AT.fit$residuals,type = "Ljung-Box")
#模型预测
per_AT<-forecast(AT.fit,h=12)
per_AT
plot(per_AT)

表2  残差纯随机检验

滞后期数	卡方统计量	P值
滞后1期P值	0.0078	0.9293

 随后进行最后一步模型预测：

 五、结论 

在本文研究中，本文选取了北京市1996-1至2019-12的数据进行研究，首先查看数据的具体情况，随后进行可视化，画出了其他变量的直方图，如气温、降水量、日照量等等，随后针对气温进行建模和分析，在建模前进行了一系列的检验，针对具有极强的季节性和周期性数据，本文最终的模型选择为ARIMA（0，0，1）（1，1，0）[12]，最终预测了12其，即2020年全年的气温变化，直观的看，模型预测的较好，都较好的抓取了前面数据的特征，预测的结果也较符合客观规律。

代码加数据

代码加完整报告

创作不易，希望大家多多点赞收藏和评论！