原文链接：http://tecdat.cn/?p=18493

原文出处：拓端数据部落公众号

本文我们使用4个时间序列模型对每周的温度序列建模。第一个是通过auto.arima获得的，然后两个是SARIMA模型，最后一个是Buys-Ballot方法。

我们使用以下数据


k=620
n=nrow(elec)
futu=(k+1):n
y=electricite$Load[1:k]
plot(y,type="l")

我们开始对温度序列进行建模（温度序列对电力负荷的影响很大）


y=Temp
plot(y,type="l")


abline(lm(y[ :k]~y[( :k)-52]),col="red")

时间序列是自相关的，在52阶


acf(y,lag=120)


model1=auto.arima(Y)
acf(residuals(model1),120)

我们将这个模型保存在工作空间中，然后查看其预测。让我们在这里尝试一下SARIMA


arima(Y,order = c(0,0,0),
seasonal = list(order = c(1,0,0)))

然后让我们尝试使用季节性单位根


Z=diff(Y,52)
arima(Z,order = c(0,0,1),
seasonal = list(order = c(0,0,1)))

然后，我们可以尝试Buys-Ballot模型


lm(Temp~0+as.factor(NumWeek),

对模型进行预测


plot(y,type="l",xlim=c(0,n )
abline(v=k,col="red")
lines(pre4,col="blue")


plot(y,type="l",xlim=c(0,n))
abline(v=k,col="red")


plot(y,type="l",xlim=c(0,n))


plot(y,type="l",xlim=c(0,n))
abline(v=k,col="red")

最后比较4个模型的结果


lines( MODEL$y1,col="
lines( MODEL$y2,col="green")
lines( MODEL$y3,col="orange")
lines( MODEL$y4,col="blue")

然后，我们可以尝试加权平均值来优化模型，而不是找出四个中的哪一个模型是“最优”，y ^ T = ∑iωiy ^ t（i）其中ω=（ωi），ω1+ ... +ωk= 1。然后，我们想要找到“最佳”权重。我们将在第一个m值上校准我们的四个模型，然后比较下111个值（和真实值）的预测组合，

我们使用前200个值。

然后，我们在这200个值上拟合4个模型

然后我们进行预测

 y1=predict(model1,n.ahead = 111)$pred,y2=predict(model2,n.ahead = 111)$pred,y3=predict(model3,n.ahead = 111)$pred,y4=predict(model4,n.ahead = 111)$pred+

为了创建预测的线性组合，我们使用


a=rep(1/4,4)
y_pr = as.matrix(DOS[,1:4]) %*% a

因此，我们可视化这4个预测，它们的线性组合（带有等权重）及其观察值

为了找到权重的“最佳”值，最小化误差平方和，我们使用以下代码


function(a) sum( DONN[,1:4  %*% a-DONN[,5 )^2

我们得到最优权重

optim(par=c(0,0,0),erreur2)$par

然后，我们需要确保两种算法的收敛性：SARIMA参数的估计算法和权重参数的研究算法。

if(inherits(TRY, "try-error")   arima(y,order = c(4,0,0) seasonal = list(order = c(1,0,0)),method="CSS")

然后，我们查看权重随时间的变化。

获得下图，其中粉红色的是Buys-Ballot，粉红色的是SARIMA模型，绿色是季节性单位根，


barplot(va,legend = rownames(counts)

我们发现权重最大的模型是Buys Ballot模型。

可以更改损失函数，例如，我们使用90％的分位数，


tau=.9
function(e) (tau-(e<=0))*e

在函数中，我们使用

这次，权重最大的两个模型是SARIMA和Buys-Ballot。

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

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测

拓端tecdat|R语言ARIMA集成模型预测时间序列分析相关推荐

R语言ARIMA集成模型预测时间序列分析
全文链接:http://tecdat.cn/?p=18493 本文我们使用4个时间序列模型对每周的温度序列建模.第一个是通过auto.arima获得的,然后两个是SARIMA模型,最后一个是Buys- ...
拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
拓端tecdat|R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险逻辑回归Logistic模型原理和R语言分类预测冠 ...
拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出. 目的房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子人口众多独生子女政策: ...
拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解（STL）进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
原文链接:http://tecdat.cn/?p=23934 在本文中,我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型(点击文末"阅读原文"获取完整代码数据). 相 ...
R语言实现金融数据的时间序列分析及建模
R语言实现金融数据的时间序列分析及建模一移动平均移动平均能消除数据中的季节变动和不规则变动.若序列中存在周期变动,则通常以周期为移动平均项数.移动平均法可以通过数据显示出数据长期趋势的变动 ...
R语言ARIMA，SARIMA预测道路交通流量时间序列:季节性、周期性
最近我们被客户要求撰写关于时间序列的研究报告,包括一些图形和统计输出. 相关视频:在Python和R语言中建立EWMA,ARIMA模型预测时间序列本文从实践角度讨论了季节性单位根.我们考虑一些时间序 ...
用R语言建立VAR模型预测中国移动美国股价
说明:要考虑的因素为:美国的中国移动每日收盘价,美国标普500指数收盘价,港股中国移动收盘价, 数据日期从2000年10月19日到2016年10月13日. 在中间处理数据的时候,删除了部分因为美国市场 ...
R语言与临床模型预测——LASSO回归，单因素多因素cox，差异表达分析，Venn图，森林图，列线图，矫正曲线，ROC全套代码及解析——第十三部分校准曲线本专栏可免费答疑
1.下载数据 2. 匹配基因 3. 基因去重复 4.匹配临床数据 5.批量cox回归分析 6.差异表达基因筛选 7.取交集,选出预后相关的差异表达基因 8.森林图绘制 9.lasso回归进一步排除具有 ...

拓端tecdat|R语言ARIMA集成模型预测时间序列分析

原文链接：http://tecdat.cn/?p=18493

原文出处：拓端数据部落公众号

拓端tecdat|R语言ARIMA集成模型预测时间序列分析相关推荐

最新文章

热门文章