r - 在 R 中使用神经网络进行时间序列预测的示例

Question

任何人都有一个简短的简短教育示例，如何使用神经网络（R 中的 nnet）进行预测？这是R中时间序列的示例

T = seq(0,20,length=200)
Y = 1 + 3*cos(4*T+2) +.2*T^2 + rnorm(200)
plot(T,Y,type="l")

非常感谢

大卫

Answer 1

我认为您可以使用该caret软件包，特别是该train功能

This function sets up a grid of tuning parameters for a number 
      of classification and regression routines.

require(quantmod) 
require(nnet)
require(caret)
T = seq(0,20,length=200)
y = 1 + 3*cos(4*T+2) +.2*T^2 + rnorm(200)
dat <- data.frame( y, x1=Lag(y,1), x2=Lag(y,2))
names(dat) <- c('y','x1','x2')
dat <- dat[c(3:200),] #delete first 2 observations
#Fit model
model <- train(y ~ x1+x2 , 
               dat, 
               method='nnet', 
               linout=TRUE, 
               trace = FALSE)
ps <- predict(model, dat)

#Examine results

plot(T,Y,type="l",col = 2)
lines(T[-c(1:2)],ps, col=3)
legend(5, 70, c("y", "pred"), cex=1.5, fill=2:3)

Answer 2

@agstudy 提出的解决方案很有用，但样本内拟合并不是样本外预测准确性的可靠指南。预测准确性测量的黄金标准是使用保持样本。从训练样本中删除最后 5 或 10 或 20 个观察值（取决于时间序列的长度），将模型拟合到其余数据，使用拟合模型预测保留样本并简单地比较保留样本的准确性，使用平均绝对偏差 (MAD) 或加权平均绝对百分比误差 (wMAPE)。因此，要做到这一点，您可以通过以下方式更改上面的代码：

require(quantmod) 
require(nnet)
require(caret)
t = seq(0,20,length=200)
y = 1 + 3*cos(4*t+2) +.2*t^2 + rnorm(200)
dat <- data.frame( y, x1=Lag(y,1), x2=Lag(y,2))
names(dat) <- c('y','x1','x2')
train_set <- dat[c(3:185),]
test_set <- dat[c(186:200),]
#Fit model
model <- train(y ~ x1+x2 , 
               train_set, 
               method='nnet', 
               linout=TRUE, 
               trace = FALSE)
ps <- predict(model, test_set)

#Examine results

plot(T,Y,type="l",col = 2)
lines(T[c(186:200)],ps, col=3)
legend(5, 70, c("y", "pred"), cex=1.5, fill=2:3)

最后两行输出模型预测的 wMAPE

sum(abs(ps-test_set["y"]))/sum(test_set)