R语言神经网络模型预测多元时间序列数据可视化

多元时间序列建模一直是吸引了来自经济,金融和交通等各个领域的研究人员的主题。

由Kaizong Ye,Coin Ge撰写

多元时间序列预测的一个基本假设是,其变量相互依赖。


在本文中,我们使用了专门针对客户的多元时间序列数据设计的神经网络框架,拟合单隐层神经网络,可能存在跳跃层连接。


可下载资源


本文分析的代码数据分享至会员群

查看数据

image.png

其中Y为因变量,时间、Y1、Y2为自变量。

读取数据


data=read.xlsx("my data.xlsx") head(data)
image.png

视频

LSTM神经网络架构和原理及其在Python中的预测应用

探索见解

去bilibili观看

探索更多视频

建立神经网络模型

建立单隐藏层神经网络,size参数可以确定隐藏层的节点数量,maxit控制迭代次数。

require(nnet)

## Loading required package: nnet

 #设置因变量  
  y=data$Y  
#  y<-data.frame((y-min(y))/(max(y)-min(y)))  
 names(y)<-'y'
image.png

绘制拟合数据

image.png

绘制未来20年的时间序列


图片

Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析

阅读文章


pre=ts(pre,start = c(2015),f=1) ###############################绘制未来20年的时间序列 plot(pre, axes = F,col=2,type="l") axis(side = 1 ,col=10)


随时关注您喜欢的主题


image.png


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds