将上述代码汇总成完整的代码

以下是将上述步骤汇总成一个完整的R代码示例：

# 加载所需库
library(tidyverse)  # 包含数据处理和绘图工具
library(lattice)    # 自动绘图
library(TSA)       # 时间序列分析

# 1. 数据加载和预处理
data <- read_csv("Uber.csv")

# 2. 时序图
uber_ts <- data %>% ggplot(aes(x = date, y = Uber)) +
  geom_line(title = "日骑行人次时序图") +
  xlab("日期") + ylab("日骑行人次") +
  theme_minimal()

# 3. 自相关函数（ACF）和偏自相关函数（PACF）
autoplot(uber_ts$data$Uber, type = c("correlation", "partial.correlation"),
         main = c("自相关函数图", "偏自相关函数图"))

# 4. 线性趋势估计
model_linear <- tslm(Uber ~ ts(time(date), start = c(year(data$date[1]), month(data$date[1])), frequency = 365)  # 注意频率可能需要根据实际调整
autoplot(model_linear, series = "residuals", main = "线性趋势残差图")

# 5. 季节性趋势估计 (这里以每周为周期为例，频率设为7)
model_seas <- stl(uber_ts$data$Uber, s.window = "periodic", seasonal = TRUE, period = 7)
autoplot(model_seas$seasonal, main = "季节性趋势图")

# 6. 残差分析
autoplot(model_seas$stl.residuals, main = "季节性趋势残差图")
autoplot(residuals(model_linear), main = "线性趋势残差图")

# 检验正态性
qqnorm(resid(model_linear))
qqline(resid(model_linear))
qqnorm(model_seas$stl.residuals)
qqline(model_seas$stl.residuals)

# 序列相关性测试
dwtest(resid(model_linear))
dwtest(model_seas$stl.residuals)

# 结论部分
cat("通过比较残差图和统计检验，可以选择更适合数据的模型。\n")

这段代码会生成相关的图形，并对线性趋势和季节性趋势进行评估。根据残差图和相关检验结果，可以确定哪种模型更好地描述数据的行为。