R语言ARIMA集成模型预测时间序列分析

全文链接：http://tecdat.cn/?p=18493

我们使用以下数据

我们开始对温度序列进行建模（温度序列对电力负荷的影响很大）

相关视频

时间序列是自相关的，在52阶

我们将这个模型保存在工作空间中，然后查看其预测。让我们在这里尝试一下SARIMA

然后让我们尝试使用季节性单位根

然后，我们可以尝试Buys-Ballot模型

对模型进行预测

最后比较4个模型的结果

然后，我们可以尝试加权平均值来优化模型，而不是找出四个中的哪一个模型是“最优”，y ^ T = ∑iωiy ^ t（i）其中ω=（ωi），ω1+ ... +ωk= 1。然后，我们想要找到“最佳”权重。我们将在第一个m值上校准我们的四个模型，然后比较下111个值（和真实值）的预测组合，

我们使用前200个值。

然后，我们在这200个值上拟合4个模型

然后我们进行预测

为了创建预测的线性组合，我们使用

因此，我们可视化这4个预测，它们的线性组合（带有等权重）及其观察值

为了找到权重的“最佳”值，最小化误差平方和，我们使用以下代码

我们得到最优权重

然后，我们需要确保两种算法的收敛性：SARIMA参数的估计算法和权重参数的研究算法。

然后，我们查看权重随时间的变化。

获得下图，其中粉红色的是Buys-Ballot，粉红色的是SARIMA模型，绿色是季节性单位根，

我们发现权重最大的模型是Buys Ballot模型。

可以更改损失函数，例如，我们使用90％的分位数，

在函数中，我们使用

这次，权重最大的两个模型是SARIMA和Buys-Ballot。