用R语言中的神经网络预测时间序列：多层感知器和极限学习机

原文链接：http://tecdat.cn/?p=16392

对于此示例，我将对R中的时间序列进行建模。我将最后24个观察值保留为测试集，并将使用其余的观察值来拟合神经网络。当前有两种类型的神经网络可用，多层感知器；和极限学习机。

# 拟合 多层感知器mlp.fit <- mlp(y.in)plot(mlp.fit)print(mlp.fit)

这是使MLP网络适合时间序列的基本命令。这将尝试自动指定自回归输入和时间序列的必要预处理。利用预先指定的参数，它训练了20个用于生成整体预测的网络和一个具有5个节点的隐藏层。print是输出拟合网络的摘要：

MLP fit with 5 hidden nodes and 20 repetitions.Series modelled in differences: D1.Univariate lags: (1,3,4,6,7,8,9,10,12)Deterministic seasonal dummies included.Forecast combined using the median operator.MSE: 6.2011.

该函数选择了自回归滞后，并将虚拟变量用于季节性趋势。使用plot显示网络的体系结构（图1）。

图1.输出 plot(mlp.fit).

浅红色输入代表用于编码季节性的二进制虚拟变量，而灰色输入则是自回归滞后项。要生成预测，您可以输入：

 forecast(mlp.fit,h=tst.n)

图2显示了整体预测，以及各个神经网络的预测。

图2. plotMLP预测的输出。

您还可以选择隐藏节点的数量。

# 自动拟合 MLP hd.auto.type="valid"

这将评估1到10个隐藏节点，并选择验证集MSE上的最佳节点。也可以使用交叉验证。输出误差：

        MSEH.1  0.0083H.2  0.0066H.3  0.0065H.4  0.0066H.5  0.0071H.6  0.0074H.7  0.0061H.8  0.0076H.9  0.0083H.10 0.0076

ELM几乎以相同的方式工作。

# Fit ELMelm.fit <- elm(y.in)print(elm.fit)plot(elm.fit)

）

以下是模型摘要：

ELM fit with 100 hidden nodes and 20 repetitions.Series modelled in differences: D1.Univariate lags: (1,3,4,6,7,8,9,10,12)Deterministic seasonal dummies included.Forecast combined using the median operator.Output weight estimation using: lasso.MSE: 83.0044.

在图3的网络体系结构中只有用黑线连接到输出层的节点才有助于预测。其余的连接权重已缩小为零。

图3. ELM网络架构。

该程序包在R中实现了层次时间预测。可以通过以下方式进行操作：

forecastfunction=mlp.thief

因为对于这个简单的示例，我保留了一些测试集，所以我将预测与指数平滑进行比较：

像MAPA这样的时间层次结构使您的预测更可靠，更准确。但是，使用神经网络会明显增加计算成本！

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

3.python在Keras中使用LSTM解决序列问题

4.Python中用PyTorch机器学习分类预测银行客户流失模型

5.R语言多元Copula GARCH 模型时间序列预测

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

7.R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数

8.R语言估计时变VAR模型时间序列的实证研究分析案例

9.用广义加性模型GAM进行时间序列分析