基于SVR的时间序列预测

Question

我有一个时间序列，我想使用xt来预测xt + 1。我正在使用sklearn的支持向量回归，但我无法理解我做错了什么，在我的预测中有这样的转变。这是我的代码和结果(在图像中)。

bts_sup = timeseries_to_supervised(bts,1)
bts_sup = bts_sup.iloc[1:,:]   # delete the line because x0 don't have antecedant
train, test = split_data(bts_sup)

# sacling data
scaler_in = MinMaxScaler()  #  for inputs
scaler_out = MinMaxScaler()  # for outputs

X_train = scaler_in.fit_transform(train[:,0].reshape(-1,1))
y_train = scaler_out.fit_transform(train[:,1].reshape(-1,1))

X_test = scaler_in.transform(test[:,0].reshape(-1,1))
y_test = scaler_out.transform(test[:,1].reshape(-1,1))


param_grid = {"C": np.linspace(10**(-2),10**3,100),
             'gamma': np.linspace(0.0001,1,20)}

mod = SVR(epsilon = 0.1,kernel='rbf')
model = GridSearchCV(estimator = mod, param_grid = param_grid,
                                   scoring = "neg_mean_squared_error",verbose = 0)

best_model = model.fit(X_train, y_train.ravel())

#prediction
predicted_tr = model.predict(X_train)
predicted_te = model.predict(X_test)

# inverse_transform because prediction is done on scaled inputs
predicted_tr = scaler_out.inverse_transform(predicted_tr.reshape(-1,1))
predicted_te = scaler_out.inverse_transform(predicted_te.reshape(-1,1))

#plot
forcast = np.concatenate((predicted_tr,predicted_te))
real = np.concatenate((train[:,1],test[:,1]))
plt.plot(real, color = 'blue', label = 'Real Erlangs')
plt.plot(forcast,"--", linewidth=2,color = 'red', label = 'Predicted Erlangs')
plt.title('Erlangs Prediction--'+data_set.columns[choice])
plt.xlabel('Time')
plt.ylabel('Erlangs')
plt.legend()
plt.show()


#error
print("MSE: ", mse(real,forcast), " R2: ", r2_score(real,forcast))
print(best_model.best_params_)

火车

[ 9.26 11.01 22.72 20.75 11.54 11.85 18.17 16.05 17.98 14.62 16.95 16.81 16.23 21.47 16.37 16.68 17.68 17.48 17.99 21.54 21.1 16.23 24.37 30.55 28.47 26.74 40.37 36.55 36.65 45.58 48.91 37.82 39.7 36.09 25.33 23。64 18.33 21.59 22.4 18.89 18.94 21.78 19.38 17.81 21.61 27.11 26.48 19.87 14.03 18.82 22.46 22.33 22.66 19.51 21.54 20.58]

测试

[20.48 25.78 21.89 19.61 22.95 21.67 21.03 21.96 21.81 21.91 21.82 24.61 30.97 18.29 19.84 20.81 29.17 24.01 21.3 25.08 27.18 26.99 28.74 25.32 27.56 28.69]

​

​

Answer 1

根据我的观察，该模型预测了一个接近前一个时间段的值，作为输入数据。当x_t值较低时，可以观察到较小的方差，模型预测x_t+1值稍高，而当x_t值较高时，情况则相反。

这似乎是最好的猜测，从模型，只有一个滞后的功能。

改进的方法可以是增加额外的特性5-10滞后，让模型学习模式贯穿其中。

对于更复杂的模型，如果支持向量机不起作用，可以尝试RNN进行预测。