拓端数据tecdat|R语言神经网络模型预测车辆数量时间序列

原文链接：http://tecdat.cn/?p=19980

 

具有单个隐藏层和滞后输入的前馈神经网络，可以用于预测单变量时间序列。将神经网络模型拟合到以时间序列的滞后值作为输入的时间序列。因此它是一个非线性的模型，不可能得出预测区间。

因此我们使用仿真。

读取数据进行可视化：

1.  
   ## # A tibble: 6 x 2
2.  
   ## Date Actual
3.  
   ## <dttm> <dbl>
4.  
   ## 1 2016-01-11 26
5.  
   ## 2 2016-01-18 27
6.  
   ## 3 2016-01-25 28
7.  
   ## 4 2016-02-01 22
8.  
   ## 5 2016-02-08 27
9.  
   ## 6 2016-02-15 31

 

1.  
   dat%>%ggplot(aes(Date,Actual))+
2.  
   labs(title = "耐久性车辆预测", x = "时间", y = "耐用车辆数量",
3.  
   subtitle = " 2016 & 2017年数据") +

 

1.  
   #数据必须为数字，tsclean函数才能正常工作
2.  
   dat%>%dplyr::rename(Date=Week)%>%na.omit()
3.  
   dat_ts = ts(dat["实际数量"])

 

 nn(data, lambda=0.5)

1.  
    
2.  
    
3.  
   Average of 20 networks, each of which is
4.  
   a 1-1-1 network with 4 weights
5.  
   options were - linear output units
6.  
    
7.  
   sigma^2 estimated as 0.2705

我使用了Box-Cox变换，其中λ=0.5，

确保残差同方差。

该模型可以写成：

其中yt-1 =（yt-1，yt-2，⋯，yt-8）是包含序列的滞后值的向量，f是一个神经网络，在单个层中具有4个隐藏节点。

通过从正态分布或从历史值中重采样随机生成ϵt的值，我们可以迭代地模拟该模型的未来样本路径。

因此，如果{ϵ ∗ T + 1}是从时间T + 1的误差分布中随机抽取的，则

是从yT + 1的预测分布中得出的一种概率。设置

y * T + 1 =（y * T + 1，yT，⋯，yT-6）然后我们可以重复此过程来获得

我们可以迭代地模拟未来的样本路径。通过反复模拟样本路径，我们基于拟合的神经网络建立了所有未来值的分布。这是对数据的9种将来可能的采样路径的模拟。每个样本路径覆盖了观测数据之后的未来20年。

plot(dat_ts) + autolayer(sim)

如果执行此操作几百或数千次，则可以很好地了解预测分布。预测区间：

 

plot(fcast)

模拟次数为1000。默认情况下，误差来自于正态分布。

 

 

---

最受欢迎的见解

1.用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类

2.Python中利用长短期记忆模型LSTM进行时间序列预测分析 – 预测电力消耗数据

3.python在Keras中使用LSTM解决序列问题

4.Python中用PyTorch机器学习分类预测银行客户流失模型

5.R语言多元Copula GARCH 模型时间序列预测

6.在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析

7.R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数

8.R语言估计时变VAR模型时间序列的实证研究分析案例

9.用广义加性模型GAM进行时间序列分析