4

是否可以使用随机梯度下降进行时间序列分析？

我最初的想法是，给定一系列 (t, v) 对，我希望 SGD 回归器预测与 t+1 关联的 v，将日期/时间转换为整数值，并在此列表上训练回归器使用铰链损失函数。这可行吗？

编辑：这是在 scikit-learn 中使用SGD 实现的示例代码。但是，它无法正确预测简单的线性时间序列模型。它似乎所做的只是计算训练 Y 值的平均值，并将其用作对测试 Y 值的预测。SGD 只是不适合时间序列分析，还是我的公式不正确？

from datetime import date
from sklearn.linear_model import SGDRegressor

# Build data.
s = date(2010,1,1)
i = 0
training = []
for _ in xrange(12):
    i += 1
    training.append([[date(2012,1,i).toordinal()], i])
testing = []
for _ in xrange(12):
    i += 1
    testing.append([[date(2012,1,i).toordinal()], i])

clf = SGDRegressor(loss='huber')

print 'Training...'
for _ in xrange(20):
    try:
        print _
        clf.partial_fit(X=[X for X,_ in training], y=[y for _,y in training])
    except ValueError:
        break

print 'Testing...'
for X,y in testing:
    p = clf.predict(X)
    print y,p,abs(p-y)
4

2 回答 2

1

对于未缩放的输入参数，sklearn 中的 SGDRegressor 在数值上不稳定。为了获得良好的结果，强烈建议您缩放输入变量。

from datetime import date
from sklearn.linear_model import SGDRegressor

# Build data.
s = date(2010,1,1).toordinal()
i = 0
training = []
for _ in range(1,13):
    i += 1
    training.append([[s+i], i])
testing = []
for _ in range(13,25):
    i += 1
    testing.append([[s+i], i])

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train = scaler.fit_transform([X for X,_ in training])

在训练 SGD 回归器之后，您必须相应地缩放测试输入变量。

clf = SGDRegressor()
clf.fit(X=X_train, y=[y for _,y in training])
        
print(clf.intercept_, clf.coef_)

print('Testing...')
for X,y in testing:
    p = clf.predict(scaler.transform([X]))
    print(X[0],y,p[0],abs(p[0]-y))

结果如下：

[6.31706122] [3.35332573]
Testing...
733786 13 12.631164799851827 0.3688352001481725
733787 14 13.602565350686039 0.39743464931396133
733788 15 14.573965901520248 0.42603409847975193
733789 16 15.545366452354457 0.45463354764554254
733790 17 16.51676700318867 0.48323299681133136
733791 18 17.488167554022876 0.5118324459771237
733792 19 18.459568104857084 0.5404318951429161
733793 20 19.430968655691295 0.569031344308705
733794 21 20.402369206525506 0.5976307934744938
733795 22 21.373769757359714 0.6262302426402861
733796 23 22.34517030819392 0.6548296918060785
733797 24 23.316570859028133 0.6834291409718674
于 2020-03-23T08:54:29.013 回答
0

时间序列预测的选择方法取决于您对时间序列的了解。如果您为您的任务选择特定的方法，您总是会对信号的性质和生成信号的系统类型做出隐含的假设。任何方法始终是系统的模型。您对信号和系统的先验了解越多，您就越能对其进行建模。

例如，如果您的信号具有随机性，通常 ARMA 过程或卡尔曼滤波器是一个不错的选择。如果这些都失败了，其他更具确定性的模型可能会有所帮助，因为你有一些关于你的系统的信息。

于 2012-06-01T08:10:42.383 回答