R语言深度学习：用keras神经网络回归模型预测时间序列数据
回归数据可以用Keras深度学习API轻松拟合。在本教程中，我们将简要地学习如何通过使用R中的Keras神经网络模型来拟合和预测回归数据。在这里，我们将看到如何创建简单的回归数据，建立模型，训练它，并最终预测输入数据。该教程包括 生成样本数据集 建立模型 训练模型并检查准确性 预测测试数据 源代码列表 我们将从加载R的...
R语言用ARIMA模型，ARIMAX模型预测冰淇淋消费时间序列数据
标准的ARIMA（移动平均自回归模型）模型允许只根据预测变量的过去值进行预测。该模型假定一个变量的未来的值线性地取决于其过去的值，以及过去（随机）影响的值。ARIMAX模型是ARIMA模型的一个扩展版本。它还包括其他独立（预测）变量。该模型也被称为向量ARIMA或动态回归模型。 ARIMAX模型类似于多变量回归模型，但允许利用回归残差中可能存在的自相关来提高预测的准确性。 本文提...
R语言使用ARIMAX预测失业率经济时间序列数据
在大数据的趋势下，我们经常需要做预测性分析来帮助我们做决定。其中一个重要的事情是根据我们过去和现在的数据来预测未来。这种方法我们通常被称为预测。 许多情况下都需要预测：决定是否在未来五年内再建一座发电站需要对未来的需求进行预测；安排下周呼叫中心的工作人员需要对呼叫量进行预测；储备库存需要对库存需求进行预测。一个事件的可预测性取决于几个因素，包括。 我们对造成这种情况的...
R语言分布滞后线性和非线性模型（DLMs和DLNMs）分析时间序列数据
序言 本文演示了在时间序列分析中应用分布滞后线性和非线性模型（DLMs和DLNMs）。Gasparrini等人[2010]和Gasparrini[2011]阐述了DLMs和DLNMs的发展以及时间序列数据的实现。本文描述的示例涵盖了时间序列数据DLNM方法的大多数标准应用，并探讨了DLNM包用于指定、总结和绘制此类模型。尽管这些例子在空气污染和温度对健康的影响方面有具体的应用，但它们很容...
R语言广义相加模型 (GAMs)分析预测CO2时间序列数据
环境科学中的许多数据不适合简单的线性模型，最好用广义相加模型（GAM）来描述。 这基本上就是具有 光滑函数的广义线性模型（GLM）的扩展 。当然，当您使用光滑项拟合模型时，可能会发生许多复杂的事情，但是您只需要了解基本原理即...
R语言用多项式回归和ARIMA模型预测电力负荷时间序列数据
根据我们对温度的预测，我们可以预测电力消耗。绘制电力消耗序列图： plot(elect,type="l") ...
R语言时间序列数据指数平滑法分析交互式动态可视化
R语言提供了丰富的功能，可用于绘制R中的时间序列数据。 包括： 自动绘制 xts 时间序列对象（或任何可转换为xts的对象）的图。 高度可配置的轴和系列显示（包括可选的第二个Y轴）。 丰富的交互式功能，包括 缩放/平移 和系列/点 高亮显示。 ...
R语言对用电负荷时间序列数据进行K-medoids聚类建模和GAM回归
通过对用电负荷的消费者进行聚类，我们可以提取典型的负荷曲线，提高后续用电量预测的准确性，检测异常或监控整个智能电网（Laurinec等人（2016），Laurinec和Lucká（ 2016））。第一个用例通过K-medoids聚类方法提取典型的电力负荷曲线。 有50个长度为672的时间序列（消费者），长度为2周的耗电量的时间序列。这些测量来自智能电表。 维数太高，并且会发生维数...
R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数据
在本文中，我将介绍ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型如何用于预测给定的时间序列数据。 使用后移运算符计算滞后差分 我们可以使用backshift运算符来执行计算。例如，后轴运算符可用于计算的时间序列值的滞后差异ÿy经由yi−Bk(yi),∀i∈k+1,…,tyi−Bk(yi),∀i∈k+1,…,t其中kk表示的差异...
Prophet在R语言中进行时间序列数据预测
在本文中您将学习如何使用Prophet（在R中）解决一个常见问题：预测公司明年的每日订单。 数据准备与探索 先知最适合每日定期数据以及至少一年的历史数据。我们将使用SQL处理每天要预测的数据： `select `` date, value ...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。