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. plot
MLP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:
MSE
H.1 0.0083
H.2 0.0066
H.3 0.0065
H.4 0.0066
H.5 0.0071
H.6 0.0074
H.7 0.0061
H.8 0.0076
H.9 0.0083
H.10 0.0076
ELM几乎以相同的方式工作。
# 拟合 ELM
elm.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:
METHOD | MAE |
---|---|
MLP (5 nodes) | 62.471 |
MLP (auto) | 48.234 |
ELM | 48.253 |
THieF-MLP | 45.906 |
ETS | 64.528 |
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!
赞 (0)