1. 单变量时间序列

Nile数据集用作单变量时间序列。它包含了对1871年至1970年阿斯旺（原名阿苏安）尼罗河年流量的测量，其变化幅度为10 ^ 8 m ^ 3，1898年附近有明显的结构性变异。

library(datasets)
plot(Nile)

将数据集划分为训练/测试集：

X <- matrix(Nile, ncol=1)
index_train <- 1:floor(nrow(X)*0.8)
X_train <- matrix(X[index_train, ], ncol=1)
X_test <- matrix(X[-index_train, ], ncol=1)

nnetsauce的MTS在底层调用了sklearn的BayesianRidge()。实际上，它支持任何具有fit和predict方法的贝叶斯ML模型（MTS类存在无限的可能性）。

obj <- nnetsauce::sklearn$linear_model$BayesianRidge()
print(obj$get_params())

模型拟合和预测：

fit_obj <- nnetsauce::MTS(obj = obj)
fit_obj$fit(X_train)
preds <- fit_obj$predict(h = nrow(X_test), level=95L, return_std=TRUE)

95％置信区间：

n_test <- nrow(X_test)
xx <- c(1:n_test, n_test:1)
yy <- c(preds$lower, rev(preds$upper))
plot(1:n_test, drop(X_test), type='l', main="Nile",ylim = c(500, 1200))
polygon(xx, yy, col = "gray", border = "gray")
points(1:n_test, drop(X_test), pch=19)
lines(1:n_test, drop(X_test))
lines(1:n_test, drop(preds$mean), col="blue", lwd=2)

2. 多元时间序列

usconsumption数据集作为多元时间序列的示例。它包含了1970年至2010年美国季度个人消费支出和个人可支配收入的百分比变化。

library(fpp)
plot(fpp::usconsumption)

将数据集划分为训练/测试集：

X <- as.matrix(fpp::usconsumption)
index_train <- 1:floor(nrow(X)*0.8)
X_train <- X[index_train, ]
X_test <- X[-index_train, ]

拟合模型并预测：

obj <- nnetsauce::sklearn$linear_model$BayesianRidge()
fit_obj2 <- nnetsauce::MTS(obj = obj)fit_obj2$fit(X_train)
preds <- fit_obj2$predict(h = nrow(X_test), level=95L,return_std=TRUE) # standardize output+#plot against X_test

95％置信区间：

n_test <- nrow(X_test)xx <- c(1:n_test, n_test:1)
yy <- c(preds$lower[,1], rev(preds$upper[,1]))
yy2 <- c(preds$lower[,2], rev(preds$upper[,2]))par(mfrow=c(1, 2))
# 95% credible intervals
plot(1:n_test, X_test[,1], type='l', ylim=c(-2.5, 3),main="consumption")
polygon(xx, yy, col = "gray", border = "gray")
points(1:n_test, X_test[,1], pch=19)
lines(1:n_test, X_test[,1])
lines(1:n_test, preds$mean[,1], col="blue", lwd=2)plot(1:n_test, X_test[,2], type='l', ylim=c(-2.5, 3),main="income")
polygon(xx, yy2, col = "gray", border = "gray")
points(1:n_test, X_test[,2], pch=19)
lines(1:n_test, X_test[,2])
lines(1:n_test, preds$mean[,2], col="blue", lwd=2)

来源：R-bloggers
作者： T. Moudiki
翻译校对：数据黑客
原文标题：Bayesian forecasting for uni/multivariate time series

数据黑客：专注金融大数据，聚合全网最好的资讯和教程，提供开源数据接口。

我们聚合全网最优秀的资讯和教程：

金融大数据
机器学习/深度学习
量化交易
数据工程
编程语言，Python，R，Julia，Scala，SQL

我们提供开源数据接口：

下载国内和国外海量金融数据
API接口，将数据整合到您的平台

R时间序列模型之贝叶斯预测相关推荐

朴素贝叶斯半朴素贝叶斯_SQL Server中的朴素贝叶斯预测
朴素贝叶斯半朴素贝叶斯 In this article, we will walk through Microsoft Naive Bayes algorithm in SQL Server. 在本 ...
朴素贝叶斯预测是否为垃圾短信
朴素贝叶斯预测是否为垃圾短信目的数据集源代码结果目的 1.利用朴素贝叶斯分类器判断短信(数据集已给)是否为垃圾短信: 2.可参考给定的文本分类代码:不可以直接调用sklearn的方法: 数据 ...
决策树模型朴素贝叶斯模型_有关决策树模型的概述
决策树模型朴素贝叶斯模型 Decision Trees are one of the highly interpretable models and can perform both classif ...
R语言Copula的贝叶斯非参数估计
Copula可以完全表征多个变量的依赖性.本文的目的是提供一种贝叶斯非参数方法来估计一个copula,我们通过混合一类参数copula来做到这一点.特别地,我们表明任何双变量copula密度可以通过高 ...
机器学习之概率图模型（贝叶斯概率，隐马尔科夫模型）
一.贝叶斯公式在学习概率图模型之前先要了解贝叶斯公式: 由公式(1),(2)可得: 这便是贝叶斯公式,其中条件概率P(A/B)称为后验概率,概率P(A),P(B)称为先验概率,条件概率P(B/A), ...
【NLP】经典分类模型朴素贝叶斯解读
贝叶斯分类器在早期的自然语言处理任务中有着较多实际的应用,例如大部分的垃圾邮件处理都是用的贝叶斯分类器.贝叶斯分类器的理论对于理解后续的NLP模型有很大的进益,感兴趣的小伙伴一定要好好看看,本文会详细 ...
贝叶斯公式设b_数据分析经典模型——朴素贝叶斯
编辑导语:做过数据分析的人,想必对贝叶斯模型都不会陌生.贝叶斯预测模型是运用贝叶斯统计进行的一种预测,不同于一般的统计方法,其不仅利用模型信息和数据信息,而且充分利用先验信息.通过实证分析的方法,将贝 ...
PGM：有向图模型：贝叶斯网络
http://blog.csdn.net/pipisorry/article/details/52489270 为什么用贝叶斯网络联合分布的显式表示 Note: n个变量的联合分布,每个x对应两个值 ...
机器学习模型5——贝叶斯分类器
前置知识条件概率贝叶斯公式 (贝叶斯模型还是很好理解的,主要基于高中就学到过的条件概率.) 贝叶斯定理 P(A),P(B)分别是事件A,B发生的概率,而P(A|B)是在事件A在事件B发生的前提下发 ...

R时间序列模型之贝叶斯预测

1. 单变量时间序列

2. 多元时间序列

R时间序列模型之贝叶斯预测相关推荐

最新文章

热门文章