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。
多元时间序列预测的一个基本假设是，其变量相互依赖。
查看数据
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)
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'
绘制拟合数据
预测未来的20年数据
foreY1=0
foreY1=predict(mod2,data.frame(T=foreyear) )
预测新变量
datanew= data.frame(T=foreyear,Y1=foreY1,Y2=foreY2)
绘制未来20年的时间序列
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
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
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！
【视频】R语言支持向量回归SVR预测水位实例讲解|附代码数据
数据分享|R语言Python机器学习预测4案例合集：众筹平台、机票折扣、糖尿病患者、员工满意度
R语言神经网络与决策树的银行顾客信用评估模型对比可视化研究
R语言神经网络模型金融应用预测上证指数时间序列可视化
