使用 SVR 进行时间序列预测

Question

我有一个时间序列，我想用它xt来预测xt + 1. 我正在使用 sklearn 的支持向量回归，但我无法理解我在预测中发生这种转变时做错了什么。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_)

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，该值已作为输入数据给出。当x_t低时可以观察到小的方差，x_t+1当 x_t 是高值时，模型预测为略高和相反的情况。这似乎是模型的最佳猜测，只有一个滞后特征。改进的方法可以是添加额外的特征 5-10 个滞后，并让模型学习模式贯穿始终。对于更复杂的模型，如果 SVM 不起作用，您可以尝试使用 RNN 进行预测。