回归预测 OR 时间序列预测

最新推荐文章于 2025-04-04 16:25:14 发布
最新推荐文章于 2025-04-04 16:25:14 发布
阅读量1.5w 收藏 67
点赞数 18
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Muzi_Water/article/details/81238720
版权
本文讨论了在预测分析中如何选择合适的模型，是回归预测还是时间序列预测。回归预测关注因变量与自变量间的相关性，适用于连续值预测，包括线性回归、多项式回归等。而时间序列预测则关注随时间变化的序列依赖性，常用于预测未来趋势，如ARIMA模型、Holt-Winter模型。在开始建模前，数据通常需要归一化处理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在选择正确的模型之前，首先应确定变量的关系和影响！！！区分清楚到底什么选择情况下选择回归预测，什么情况下选择时间序列预测。

回归预测：训练得到的回归模型表示了因变量 y （目标）与自变量 x (x\in \mathbb{R}^{^{^{n}}})（预测因子）之间的相关性，即一个或多个自变量对一个因变量的影响程度，适用于给定新的 x 来预测 y 的情况。

    常用回归模型（因变量 

最低0.47元/天 解锁文章
一文速学数模-时序预测模型(二)平稳时间序列预测算法和自回归模型(AR)详解+Python代码实现
master_hunter的博客
08-31 4720
平滑法花费了将近一个月的时间去讲解和模拟算法，讲解的非常详细了我个人认为，而且代码和原理理解起来也相对简单，代码实现起来也几乎没有什么难度。一文速学-数学建模常用模型。里面涉及到各个场景的分析和预测模型基本都具备了，其中平滑法的所有方法：都包含其中。接下来我们要对平稳时间序列预测算法进行研究和推导。但是平稳时间序列预测算法的基础理论还是蛮多蛮复杂的，需要我们对基础理论有了一定认知才能更轻松的掌握该算法。故我们的开篇第一章先将理论知识全部了解一遍。......
时间序列预测 — Informer源码详解与运行
几度春风里的博客
11-21 3585
首先导入代码的基本函数和数据类型，在exp文件下exp_informer import中的类Exp_Informer中，定义了模型参数、get_data、model_optim、train、test、eval等函数。前面介绍了训练、测试和预测的的流程，那么每一批次是数据是如何利用Informer模型进行训练的呢？主要实现了Informer模型的测试过程，包括测试数据加载、模型测试、损失计算、保存测试结果的过程。利用Informer模型的最佳训练参数进行预测，包括预测数据加载、模型预测、保存预测结果的过程。
时序预测、分类预测与回归预测：理解其区别与联系
weixin_51352614的博客
04-07 3170
时序预测、分类预测和回归预测是数据分析中常见的三种预测任务，它们在机器学习和统计建模中扮演着重要角色。虽然它们的目标都是从历史数据中学习并对未来进行预测，但它们在目标、方法和应用场景上存在本质的区别。接下来，我们将逐一探讨这三种预测任务，并理解它们之间的差异和联系。时序预测、分类预测和回归预测虽然在机器学习领域中是不同的任务，但它们都分享一个共同的目的——预测。选择哪一种预测方法取决于数据的性质、目标的形式以及问题的具体需求。理解它们之间的区别和联系对于选择合适的模型和算法至关重要。
时间序列预测与回归分析模型
01-04
时间序列预测与回归分析模型
XGBoost时序温度预测完整流程
weixin_65289420的博客
03-10 1065
XGBoost用于温度预测流程
CNN做时间序列预测_数据分析回归模型和时间序列预测
weixin_39722917的博客
11-20 2127
多重线性回归模型(Mulitiple Linear Regression)是指包含一个因变量和多个自变量的回归模型，而多元线性回归(Multivariate Linear Regression)是指包含两个或两个以上因变量的回归模型。所以，多重线性回归模型为：Y=a+b1X1+b2X2+……+bnXn+ε式中，Y——因变量；Xn——第 n 个自变量；a——常数项，是回归直线在纵坐标轴上的截距；bn...
时间序列与因素回归的区别
qq_38016957的博客
04-26 4957
浅谈时间序列与因素回归 这篇想谈谈时间序列和因素回归的关系，什么时候两个可以相互替代，什么时候不能相互替代。 什么是时间序列？时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。 先上个时间序列的图来帮助理解 该图是某个产品指标在最近两年内每个月变化的趋势。图形能给出一个主观感受，尤其是加入目标线后，能知...
线性回归预时间序列预测
zhilinxiangtian的博客
01-17 4458
时间序列预测问题线性回归方法什么是线性回归方法滞后影响多元线性回归怎么用线性回归方法为什么要使用线性回归方法 从kanggle看到的一个教程（原文 ），主要讲解了如何进行时间序列预测，本文采用该教程部分内容外加一些个人理解。时间允许的情况下最好去看下原文 。 kaggle上还有很多其他的教程，初学者看一下挺好的。最近浏览了一遍，整体感觉语言比较凝练，却又通俗易懂，是不错的教程。每节还附带有练习，除了有时候网速问题，其它的都挺完美。 滞后和时间步长是时间序列特有的特征，滞后表示当前状态对后续状态的影响，（时间
使用keras里面的lstm进行时间序列预测_时间序列预测方法总结
weixin_39764212的博客
10-22 1878
这本来是我回答的一个问题：有什么好的模型可以做高精度的时间序列预测呢？ - BINGO Hong的回答 - 知乎 https://www.zhihu.com/question/21229371/answer/533770345但觉得在那个答案下一直更新好麻烦，干脆就移到自己主页文章好了。以后会在这里更新，原答案不更新了。时间序列基本规则法-周期因子法提取时间序列的周期性特征进行预测，参考：时间序列...
Python时间序列：基于LSTM的时间序列预测
sybh的博客
10-13 1114
【代码】Python时间序列：基于LSTM的时间序列预测。
全网最全之时间序列预测、回归预测python代码和matlab代码合集全家桶【太酷啦】
最新发布
2510_91195931的博客
04-04 1115
4---多种智能优化算法：蝙蝠（BAT)，非洲秃鹫（AVOA），布谷鸟（CS），蜣螂(DBO)，萤火虫(FA)，烟花（FWA），灰狼（GWO），哈里斯鹰（HHO），多元宇宙(MVO)，粒子群(PSO)，正余弦(SCA)，麻雀（SSA),樽海鞘群（SSA），鲸鱼（WO）等智能优化算法，分别用来优化LSTM，LSTM-Attention，bigru,CNN-lstm-attention等等。涵盖时间序列预测，回归预测，单输入单输出预测，多输入单输出预测，单步长预测，多步长预测。配备运行环境，数据集。
时间序列预测代码（非线性回归）.txt
05-28
基于目前的时间序列数据，做未来非线性预测，简便易行，直接放在pycharm或者jupyter notebook就可以运行
R语言用多项式回归和ARIMA模型预测电力负荷时间序列数据
拓端研究室TRL
01-26 407
最近我们被客户要求撰写关于电力负荷的研究报告，包括一些图形和统计输出。
R语言用logistic逻辑回归和AFRIMA、ARIMA时间序列模型预测世界人口
大数据部落
07-04 3603
本文应用R软件技术，通过在世界银行网站上查阅的世界人口历史数据，分别利用logistic模型、ARFMA模型、ARIMA模型、时间序列模型对从2016到2100年的世界人口进行预测。作者将1950年到2015年的历史数据作为训练集来预测85年的数据。模型稳定性经过修正后较好，故具有一定的参考价值。随着时间的推移，世界人口不断的增长，为了更好地把握世界人口的进展速度与规律。我们利用建立logistic模型并运用R语言软件来分析并预测在2100年世界的人口数，并与世界银行上预测出的数据做对比，看模型构造的好坏并
鲸鱼优化算法在分类、回归和时序预测中的应用及相关模型比较，鲸鱼优化算法在分类、回归和时序预测中的应用及代码实现
OtrNaHsJqhcr的博客
06-16 860
鲸鱼优化支持向量机SVM，最小二乘支持向量机LSSVM，随机森林RF，极限学习机ELM，核极限学习机KELM，深度极限学习机DELM，BP神经网络，长短时记忆网络 LSTM，Bilstm，GRU，深度置信网络 DBN，概率神经网络PNN，广义神经网络GRNN，Xgboost .....鲸鱼优化算法可以用于优化随机森林的参数，如树的数量、树的深度等，以提升分类和回归的性能。鲸鱼优化算法可以用于优化DBN的参数，如网络的层数、每层的节点数等，以提高分类和回归的性能。鲸鱼优化算法在分类、回归和时序预测中的应用。
时间序列和回归的区别链接
JGL121314的博客
12-25 360
http://www.pinlue.com/article/2019/11/0914/249780217524.html
时序模型
woshiliulei0的专栏
02-20 5482
第一章、定义 1.与回归模型的区别 在经典的回归模型中，主要是通过回归分析来建立不同变量之间的函数关系（因果关系），以考察事物之间的联系。 回归模型中，自变量是X，X为一个向量，向量的每个维度是一个维度数据。因变量是Y，比如线性模型的最终的模型为Y=aX+b。 2.时序模型 本案例要讨论如何利用时间序列数据本身建立模型，以研究事物发展自身的规律，并据此对事物未来的发展做出预测。 在时序模型中，以时...
浅谈时间序列和预测
左手coding，右手cooking
05-04 1196
1 创建时间序列 2 季节性分解 3 指数模型 4 ARIMA模型 5 自动预测 第一步：创建时间序列 用ts（）函数将一个数字向量转化为一个时间序列，形式为ts(vector,start=,end=,frequency=),frequency=(1=annual,4=quartly,12=monthly,etc) 第二部：季节性分解 如果时间序列有增加的趋势，季节性，和不规则成分，
数学建模系列-预测模型（一）---神经网络模型
热门推荐
Caiersaru的博客
08-25 1万+
最近在学习数学建模系列，数学建模主要分为三个大问题： 1.预测模型 2.优化模型 3.评价模型 又分为如下的各个子区间： 一、神经网络预测、灰色预测、拟合插值预测（线性回归）、时间序列 预测、马尔科夫链预测、微分方程预测、Logistic 模型等等。 二、规划模型（目标规划、线性规划、非线性规划、整数规划、动态 规划）、图论模型、排队论模型、神经网络模型、现代优化算法（**遗传算法、模拟退火算法、蚁群算法、**禁忌搜索算法）等等。 三、模糊综合评价法、层次分析法、聚类分析法、主成分分析评价法、 灰色综合评价
tranmfor时间序列预测模型
01-17
### Transformer 时间序列预测模型实现方法教程 #### 环境配置 为了成功运行Transformer时间序列预测模型，需先安装必要的Python包。这通常包括PyTorch及其依赖项以及其他辅助工具如NumPy和Pandas用于数据处理。 ```bash pip install torch torchvision torchaudio pandas numpy matplotlib scikit-learn ``` #### 导入库 在编写代码前，加载所需的库来支持后续的数据操作、模型定义以及训练过程[^1]。 ```python import torch from torch import nn, optim import torch.nn.functional as F import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler ``` #### 数据预处理 对于时间序列预测任务来说，准备合适格式的数据至关重要。一般会涉及到读取原始数据文件、清洗异常值、标准化特征尺度等工作。特别地，在输入到Transformer之前，还需要对时间戳做位置编码以保留顺序信息[^2]。 ```python def create_inout_sequences(input_data, tw): inout_seq = [] L = len(input_data) for i in range(L-tw): train_seq = input_data[i:i+tw] train_label = input_data[i+tw:i+tw+1] inout_seq.append((train_seq ,train_label)) return torch.FloatTensor(inout_seq) # Example usage of creating sequences with a time window size. time_window_size = 10 data_normalized = ... # Normalized data here inout_seq = create_inout_sequences(data_normalized, time_window_size) ``` #### 模型构建 基于标准的Transformer架构进行了适当调整——移除了原本最后面的softmax层以便更好地适用于回归性质的时间序列预测问题；同时增加了线性变换和其他组件使得输出维度匹配预期目标变量的数量。 ```python class TransAm(nn.Module): def __init__(self, feature_size=250, num_layers=1, dropout=0.1): super(TransAm, self).__init__() self.model_type = 'Transformer' self.src_mask = None self.pos_encoder = PositionalEncoding(feature_size) self.encoder_layer = nn.TransformerEncoderLayer(d_model=feature_size, nhead=10, dropout=dropout) self.transformer_encoder = nn.TransformerEncoder(self.encoder_layer, num_layers=num_layers) self.decoder = nn.Linear(feature_size,1) ... def forward(self, src): if self.src_mask is None or self.src_mask.size(0) != len(src): device = src.device mask = generate_square_subsequent_mask(len(src)).to(device) self.src_mask = mask src = self.pos_encoder(src) output = self.transformer_encoder(src, self.src_mask)#, self.src_mask) output = self.decoder(output) return output model = TransAm().float() criterion = nn.MSELoss() optimizer = torch.optim.AdamW(model.parameters(), lr=0.001) ``` #### 训练循环 设置好损失函数（比如均方误差）之后就可以进入迭代优化阶段了。每次epoch都会遍历全部样本并更新参数直至收敛或达到最大轮次限制为止。 ```python for epoch in range(num_epochs): model.train() running_loss = 0. for batch_idx, (seq, labels) in enumerate(train_loader): optimizer.zero_grad() y_pred = model(seq) loss = criterion(y_pred, labels) loss.backward() optimizer.step() running_loss += loss.item() ``` #### 测试与评估 完成训练后应当利用独立测试集验证最终性能指标如何，并可视化一些典型样本来直观感受预测质量的好坏程度。 ```python with torch.no_grad(): test_predictions = [] for seq_true in test_set: seq_true = seq_true.float().to(device) seq_pred = model(seq_true.unsqueeze(dim=0)) test_predictions.append(seq_pred.cpu().numpy()) plt.plot(test_values[-size:], label='True') plt.plot(np.array(test_predictions).reshape(-1), label='Predicted') plt.legend() plt.show() ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值