在进一步统计处理之前应用插值时应该非常小心。您为插值所做的选择会给您的数据带来偏差。这是您绝对要避免的事情，因为它可能会改变您的预测质量。在我看来，对于您提到的那些缺失值，这些缺失值在时间上有规律地间隔并且对应于活动的停止，将这些天排除在您的模型之外可能更正确。在呼叫中心的小世界（您正在构建的模型）中，最好考虑时间在关闭时简单地停止，而不是发明对不存在活动的测量。另一方面，ARIMA 模型在统计上建立在数据等间距的假设之上。据我所知，ARIMA 不适合您的情况。如果您只是在实际工作日错过了一些测量值，您可能会被迫使用插值。

我不是 R 专家，所以也许有更简单的方法，但我以前遇到过。我之前所做的是实现一个函数，该函数测量实际日期之间的距离（以时间为单位）并将其保存在现有时间序列的新列中。所以我们有类似的东西：

index/date | value | distance  
01.01.2011 |  15   |   1  
02.01.2011 |  17   |   3  
05.01.2011 |  22   |   ..   

这样，如果您的时间序列尚未与实际的时间点序列（或错误格式或其他）相关联，那么您仍然可以使用它。

接下来，您编写一个为您创建新时间序列的函数，如下所示：

首先，您计算时间序列在您选择的日期之间实际有多少时间单位，并在 zoo 或 ts 或任何选择为空值的时间线中创建该时间线。

其次，您获取不完整的时间序列数组，并使用循环将值填充到正确的时间轴中，根据您选择的限制。当您遇到单位距离不是一的行（缺少天（单位））时，您填写插值。

现在，由于这是您的函数，您实际上可以选择如何进行插值。例如，您决定如果距离小于两个单位，则使用标准线性插值。如果缺少一周，您可以执行其他操作，如果达到某个缺少日期的阈值，您会发出有关数据的警告 - 真的是您想想象的任何事情。

如果循环到达结束日期，则返回新的 ts。

这种功能的优点是您可以根据间隙的长度使用不同的插值或处理程序，并以您选择的格式返回干净创建的系列。一旦编写完成，它就可以让您从任何类型的表格数据中获得干净和漂亮的 ts。希望这对您有所帮助。

正如@Remi 所指出的，在根据这些数据估计模型之前，我不会对数据进行插值。这是个坏主意。一个极端的例子：假设您有两个数据点 2013 年 1 月和 2014 年 1 月。现在在其间插入 10 个每月点：2013 年 2 月到 2013 年 12 月，并在每月日期运行回归。实际上它不会那么糟糕，但它是同一个想法：你最多只会夸大你的统计数据。

要走的路是使用处理缺失数据的时间序列方法。例如，状态空间方法。看看astsa R 包。它附带一本关于时间序列分析的优秀书籍。这将很好地处理丢失的数据。Matlab 现在在ssm包中具有类似的功能。您必须学习将模型转换为状态空间形式，但是如果您想摆脱auto.arima“魔术”，无论如何都必须学习这一点。