标签: forecast

R 的“forecast”包有一个函数 nnetar，它使用带有单个隐藏层的前馈神经网络在时间序列中进行预测。

现在我正在使用 Python 进行类似的分析。我想使用不需要像深度学习那样复杂的神经网络。也许 2 层和几个节点对我来说已经足够了。

那么，Python 是否有一个简单的神经网络模型可以用于像 nnetar 这样的时间序列？如果不是，如何处理这个问题？

我使用ExponentialSmoothingfrom statsmodels( Version: 0.10.1) 对一些数据进行拟合和预测。为了在设置配置时方便使用，我编写了一个函数exp_smoothing_forecast，它接受np array数据、配置列表 ( ) 和要预测[trend, damped, seasonal, seasonal_periods, use_boxcox, remove_bias]的数量。periods

from statsmodels.tsa.holtwinters import ExponentialSmoothing\n\ndef exp_smoothing_forecast(data, config, periods):\n    '''\n    Perform Holt Winter\xe2\x80\x99s Exponential Smoothing forecast for periods of time.\n    '''\n    t,d,s,p,b,r = config\n    # define model\n    model = ExponentialSmoothing(np.array(data), trend=t, damped=d, seasonal=s, seasonal_periods=p)\n\n    # fit model\n    model_fit = model.fit(use_boxcox=b, remove_bias=r)\n\n    # make one step forecast\n    return model_fit.forecast(periods) \n

我使用的数据是每周的。经过一些训练后，我找到了最佳配置并尝试在整个数据上使用它们。

data_1 = [21725.64924, 20826.08817, …

R 中有一个非常有用的函数在包上调用findfrequency，forecast它返回时间序列的主频率周期。可以在此处找到有关作者功能的更多信息：https : //robjhyndman.com/hyndsight/tscharacteristics/

我想在 Python 中实现一些等效的东西，但我在处理应该等于spec.arfindfrequency 内的R 函数的函数时遇到了问题。

该函数从去趋势序列开始，这很容易用x = statsmodels.tsa.tsatools.detrend(myTs, order=1, axis=0). 现在我有了残差，我想在 Python 中做相当于spec.arR中的函数，它首先将 AR 模型拟合到 x（或使用现有拟合）并计算（并默认绘制）拟合模型的谱密度.

我没有发现任何类似的东西，所以我一次做每一步，首先是 AR，然后是规格估计。我正在使用Airpassengers时间序列，但对于 AR 顺序或系数，我无法在 R 和 Python 上获得相同的结果。

我的R代码：

x <- AirPassengers
x <- residuals(tslm(x ~ trend))
ARmodel <- ar(x)
ARmodel

我知道 15 是我的自回归模型的选定顺序。

我的 Python 代码：

import statsmodels.api as sm
dataPeriodic = pd.read_csv('AirPassengers.csv')
tsPeriodic = dataPeriodic.iloc[:,1]
x = statsmodels.tsa.tsatools.detrend(tsPeriodic, order=1, axis=0)
n = x.shape[0]
est_order = …

我目前正在尝试使用 statsmodels ARIMA 库实现直接和递归多步骤预测策略，它提出了一些问题。

递归多步预测策略将训练单步模型，预测下一个值，将预测值附加到输入预测方法的外生值的末尾并重复。这是我的递归实现：

def arima_forecast_recursive(history, horizon=1, config=None):
    # make list so can add / remove elements
    history = history.tolist()
    model = ARIMA(history, order=config)
    model_fit = model.fit(trend='nc', disp=0)

    for i, x in enumerate(history):
        yhat = model_fit.forecast(steps=1, exog=history[i:])
        yhat.append(history)
    return np.array(yhat)

def walk_forward_validation(dataframe, config=None):
    n_train = 52  # Give a minimum of 2 forecasting periods to capture any seasonality
    n_test = 26  # Test set should be the size of one forecasting horizon
    n_records = len(dataframe)
    tuple_list = []

    for …

我创建了一个具有有效 DatetimeIndex 的 pandas DataFrame

df.index = df.timestamp
df = df.resample("10Min", how="mean")
plt.plot_date(df.index, df['delay'])
fig = plt.gcf()
fig.set_size_inches(18.5, 8.5)

它是这样的：

模型拟合的相关属性：

df['delay'].head(5)

timestamp  
2016-10-30 04:30:00    32.000000  
2016-10-30 04:40:00    12.714286  
2016-10-30 04:50:00    36.941176  
2016-10-30 05:00:00    37.273381  
2016-10-30 05:10:00    38.960526  
Name: delay, dtype: float64

然后我将 ARIMA 拟合到数据中：

import pmdarima as pm
import numpy as np
import matplotlib.pyplot as plt

df = df.dropna()

model = pm.auto_arima(df.delay, error_action='ignore', trace=1,
                      suppress_warnings=True,
                      seasonal=True, m=12)

model.plot_diagnostics(figsize=(7,5))
plt.show()

诊断结果：

Fit ARIMA: order=(2, 0, 2) seasonal_order=(1, 0, 1, 12); …

我正在尝试在 Windows10 上的 python 3.7 中实现 auto arima 所以我尝试使用以下命令安装 Pyramid-armia

pip install pyramid-arima

但我收到错误消息

 Could not find a version that satisfies the requirement pyramid-arima (from versions: )]
 No matching distribution found for pyramid-arima

我也尝试过这里提到的步骤

但收到了同样的错误消息，您能指导我安装吗？

我想在同一个图上用不同的颜色绘制多个预测，但是比例尺不正确。我对任何其他方法持开放态度。

可重现的例子：

require(forecast)     

# MAKING DATA
data <- c(3.86000,  19.55810,  19.51091,  20.74048,  20.71333,  29.04191,  30.28864, 25.64300,  23.33368,  23.70870 , 26.16600  ,27.61286 , 27.88409 , 28.41400 , 24.81957 , 24.60952,  27.49857,  32.08000 , 29.98000, 27.49000 , 237.26150, 266.35478, 338.30000, 377.69476, 528.65905, 780.00000  )
a.ts <- ts(data,start=c(2005,1),frequency=12)

# FORECASTS
arima011_css =stats::arima(x = a.ts, order = c(0, 1, 1), method = "CSS") # css estimate
arima011_forecast = forecast(arima011_css, h=10, level=c(99.5))

arima321_css =stats::arima(x = a.ts, order = c(3, 2, 1), method = "CSS") # …

我的电子表格包含A列中的一些数据 - 日期,B列(2012年特定日期的关键字使用情况)和C列(2013年特定日期的关键字使用情况),如图所示.我想要做的是创建类似FORECAST公式,根据这些数据,它将"预测"2月22日(C5)的未来日期的值.你可以帮我配方奶.

谢谢!

我正在尝试运行下面的代码，但收到以下错误。该代码使用预测包中的 auto.arima 来确定 arima 模型并将其拟合到某些数据。它还在 xreg 参数中使用回归量。我认为 xreg 中两列的名称可能是问题所在，但我不确定为什么。列的名称类似于“struct.c.NA..NA..211L..”，它们是函数的输出。如果我在 xreg 参数中没有这些列的情况下运行 auto.arima ，它似乎做得很好。非常感谢任何有关如何解决此问题的提示。

代码：

auto.arima(df2_comb[1:100,names(df2_comb)=='ECDD'], xreg = df2_comb[,names(df2_comb)!='ECDD'][1:100,names(df2_comb[,!names(df2_comb)%in%c('ECDD','order_dts')])])

错误：

Error in auto.arima(df2_comb[1:100, names(df2_comb) == "ECDD"], xreg = df2_comb[,  : 
  xreg should be a numeric matrix or vector

数据：

dput(df2_comb[1:100,])
structure(list(ECDD = c(319.4, 319.4, 319.4, 319.4, 319.4, 319.4, 
319.4, 319.4, 319.4, 319.4, 319.4, 319.4, 319.4, 319.4, 319.4, 
319.4, 319.4, 319.4, 319.4, 198, 142, 254, 178, 97, 113, 116, 
109, 127, 102, 99, 107, 109, 89, 101, 106, 319.4, 319.4, 319.4, 
319.4, …

我正在尝试使用 fable 包创建 1000 家商店的预测。包是否fable像函数一样并行工作forecast？

非常感谢

我在 R 中对缺失值的数据运行 ARIMA 模型。这是财务数据，因此缺失的日期要么是公共假期，要么是周末，所以不是完全随机的。我仍在思考应该对缺失值做出哪个决定。

然而，我看到的是该函数本身运行没有错误。因此 ARIMA 会自动以某种方式处理缺失值。但我在文档中找不到运行 ARIMA 时缺失值到底发生了什么（只是为了知道它是否会删除它们/估算或其他什么？）

best_fit = auto.arima(data_vector, stationary = is_stationary, ic = "bic", stepwise = FALSE, allowmean = TRUE, allowdrift = TRUE, approximation = FALSE)

有人知道 auto.arima 默认情况下做什么吗？

我的自由度小于数据集中的行数。为什么我有错误“估计的自由度不足”。我该怎么做才能解决此错误？

我试图减少 中的值differenced = difference(X,11)，但它仍然显示错误。

dataset, validation = series[0:split_point], series[split_point:]
print('Dataset %d, Validation %d' % (len(dataset), len(validation)))
dataset.to_csv('dataset.csv')
validation.to_csv('validation.csv')
from pandas import Series
from statsmodels.tsa.arima_model import ARIMA
import numpy
# load dataset
series = Series.from_csv('dataset.csv', header=None)
series = series.iloc[1:]
series.head()
series.shape

from pandas import Series
from statsmodels.tsa.arima_model import ARIMA
import numpy
# create a differenced series
def difference(dataset, interval=1):
    diff = list()
    for i in range(interval+1, len(dataset)):
        value = int(dataset[i]) - int(dataset[i - interval])
        diff.append(value)
    return numpy.array(diff)

# …

我有多个熊猫数据框如下：

data1 = {'1':[4], '2':[2], '3':[6]}
baseline = pd.DataFrame(data1)

 # baseline output  
   1  2  3
0  4  2  6

data2 = {'1':[3], '2':[5], '5':[5]}
forecast1 = pd.DataFrame(data2)

# forecast1 output
   1  2  5
0  3  5  5

data3 = {'1':[2], '3':[4], '5':[5], '6':[2]}
forecast2 = pd.DataFrame(data3)

# forecast2 output
   1  3  5  6
0  2  4  5  2

与基线数据框（即基线 vs 预测 1 和基线 vs 预测 2）相比，我如何计算预测 1和预测 2（分别）的准确性（或混淆矩阵）？