Как разместить прогноз на линейном графике?

Я нахожусь в самом конце модели прогнозирования (Цены на жилье в Сиднее (интересуют только столбцы: Дата и цена продажи)), но я получаю сообщение об ошибке ниже;

**Code:**

Data_fit %>%
  forecast(h=5) %>%
  filter(.model=='search') %>%
  autoplot(data3group_ts)

(data3group_ts: фрейм данных)

**Сообщение об ошибке: **

Error in UseMethod("filter") : 
  no applicable method for 'filter' applied to an object of class "forecast"
In addition: Warning message:
In mean.default(x, na.rm = TRUE) :
  argument is not numeric or logical: returning NA

Я новичок в этом и пробовал все и вся, я не понимаю, почему я не могу получить изображение, показывающее прогноз (следующие 5 лет для цен на жилье в Сиднее). Не могли бы вы помочь мне увидеть, где я делаю ошибку? (Также слежу за этой книгой по теме >>> https://otexts.com/fpp3/arima-r.html)

Полный сценарий ниже;

library(fpp3)

#Load the data
data <- read.csv("SydneyHousePrices.csv")

# Check null value

is.null(data)

#Selecting certain columns
data2 <- data %>%
select(Date, sellPrice)

#Timeseries dataframe Selection
data2ts >- data2[,c('Date','sellPrice')]
sum(is.na(data2ts))

#converting Date to a date column
data2ts$Date <- as.Date(data2ts$Date)

class(data2ts$Date)

#median Price

data3 <- data2ts %>%
group_by(Date) %>%
summarise(medPrice = median(sellPrice, na.rm = FALSE))

data3

#create a cloumn to show year
data3$Year <- as.Date(cut(data3$Date, breaks = 'year'))

#group the years
data3group <- data3 %>%
group_by(Year) %>%
summarise(sum(medPrice)) %>%
select(Year, "medPrice" = "sum(medPrice)")

#mplotting time series

data3group %>%
ggplot(aes(x = Year, y= medPrice)) +
geom_line(color = "blue", size = 1) +
scale_y_continuous(labels = comma)+
scale_x_date(date_labels = "%Y", breaks = "1 year")+
theme(axis.text.x = element_text(size = 10, angle = 90))+
labs(x= "Year", y= "Median House Prices")+
geom_point(color = "blue", size = 3)

#as_tsibble convert
data3group_ts <- data3group %>%
mutate(Year = year(as.character(Year))) %>%
as_tsibble(index = Year)

#plotting
data3group_ts %>%
autoplot(medPrice) +
labs(title =  "X",
y= "Y")

#Time plot and ACF and PACF plots
data3group_ts %>%
gg_tsdisplay(difference(medPrice), plot_type = 'partial')

#Use auto.arima and specify if the series has a mean=0 or not

auto.arima(auto.arima(data3group_ts, allowmean=FALSE, allowdrift=FALSE, trace=TRUE), allowmean=FALSE, allowdrift=FALSE, trace=TRUE)

#########Response;
ARIMA(2,1,2)                    : 744.7771
ARIMA(0,1,0)                    : 737.1418
ARIMA(1,1,0)                    : 736.0715
ARIMA(0,1,1)                    : 735.3772
ARIMA(1,1,1)                    : 738.17
ARIMA(0,1,2)                    : 738.1905
ARIMA(1,1,2)                    : 741.2703

Best model: ARIMA(0,1,1)  
##########

#ARIMA fitting
Data_fit <- data3group_ts %>%
model(arima011 = ARIMA(medPrice \~ pdq (0,1,1)),
stepwise = ARIMA(medPrice),
search = ARIMA (medPrice, stepwise = FALSE))

glance(Data_fit) %>% arrange(AICc) %>% select(.model:BIC)

###############Response;

# A tibble: 3 × 6

.model    sigma2 log_lik   AIC  AICc   BIC
<chr>      <dbl>   <dbl>   <dbl> <dbl> <dbl>
1 arima011 2.97e15   -365.  735.  735.  737.
2 stepwise 2.97e15   -365.  735.  735.  737.
3 search   2.97e15   -365.  735.  735.  737.

##################

#residuals
Data_fit %>%
select(search) %>%
gg_tsresiduals()

augment(Data_fit) %>%
filter(.model=='search') %>%
features(.innov, ljung_box, lag = 10, dof = 3)

#############Response;

# A tibble: 1 × 3

.model lb_stat lb_pvalue
<chr>    <dbl>     <dbl>
1 search    3.73     0.811
######################

#FORECASTING

Data_fit %>%
forecast(h=5) %>%
filter(.model=='search') %>%
autoplot(data3group_ts)

#Returns error as mentioned above.

Я пытался использовать другие коды прогнозирования, но они не сработали. Тот же результат.