最近我们被要求撰写关于神经网络模型的研究报告,包括一些图形和统计输出。
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:
## # A tibble: 6 x 2
## Date Actual
## <dttm> <dbl>
## 1 2016-01-11 26
## 2 2016-01-18 27
## 3 2016-01-25 28
## 4 2016-02-01 22
## 5 2016-02-08 27
## 6 2016-02-15 31
dat%>%ggplot(aes(Date,Actual))+
labs(title = "耐久性车辆预测", x = "时间", y = "耐用车辆数量",
subtitle = " 2016 & 2017年数据") +
#数据必须为数字,tsclean函数才能正常工作
dat%>%dplyr::rename(Date=Week)%>%na.omit()
dat_ts = ts(dat["实际数量"])
nn(data, lambda=0.5)
Average of 20 networks, each of which is
a 1-1-1 network with 4 weights
options were - linear output units
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
4.Python中用PyTorch机器学习分类预测银行客户流失模型
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