原文链接：http://tecdat.cn/?p=25220
当ARIMA模型包括其它时间序列作为输入变量时,被称为传递函数模型(transfer function model)、多变量时间序列模型(multivariate time series model)、ARIMAX模型或Box-Tiao模型。传递函数模型是ARIMA模型的自然推广,Pankratz统称这种包含其它时间序列作为输入变量的ARIMA模型为动态回归。
用于预测的 Arima
加载相关包和数据
bata<-read.csv
colnames(bata)
bata<-bata\[order(as.Date,\]
bata<-bata\[order(as.Date,\]
bata$workda<-as.factor
head(bata)
将数据划分为训练集和测试集
#ARIMA 编程开始
## 75% 的样本量
smsize <- floor(0.95 * nrow)
print(smze)
## 设置种子可重现
set.seed(123)
traid <- sample
trn <- bata\[1:smize, \]
tet <- baata\[smp_size+1:nrow, \]
tet<-na.omit创建预测矩阵
xreg <- cbind(as_workday=model.matrix,
Temp,
Humid,
Winds
)
# 删除截距
xg <- xg\[,-1\]
# 重命名列
colnames<- c("Aldays","Tep","Humty","Wined")
#为测试数据创建相同的
xrg1 <- cbind
# 删除截距
xreg1 <- xre1\[,-1\]
# 重命名列
colnames <- c("Aays","Te","uiiy","Wnsed")为 arima 预测的训练数据创建时间序列变量
Cont <- ts推论：由于数据是每天的，频率为 365，开始日期为 2016-7-7
用季节性拟合 ARIMA 模型
Fo_aes<-forecast
计算测试数据集 MSE
mean((tt - Finlues)^2)
在去除季节性之前绘制预测值
library(ggplot2)
无季节性拟合 ARIMA
去除季节性数据集和绘图
decata = decompos
### 查找去季节数据的 ARIMAX 模型
moesea
Foecs<-forecast去除季节性后绘制预测值
library(ggplot2)
plot(Co, series="Data") +
autolayer+
autolayer
均方误差分量
mean((tount - Fis_des)^2)
通过采用滞后变量的输出以及滞后 1,2 的输入进行动态回归
x<-train\[order,\]
ti_ag <- x %>%
mutate
x1<-test
testg <- x1 %>%
mutate使用动态滞后变量的 OLS 回归
mlm <- lm
推论：仅保留 P 值 <0.05 的重要变量并删除其他变量
仅保留重要变量的情况下重新创建 OLS 回归
Myal <-lm
summary(Myal )
在测试数据上预测相同以计算 MSE
prynm<-predict
# 动态回归的均方误差
mean((teunt - tPrecd)^2)
绘制预测与实际
plot
abline
最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析