在 R 中使用 NARX 进行时间序列预测答案

【问题标题】：Time series forecasting with NARX in R在 R 中使用 NARX 进行时间序列预测
【发布时间】：2019-02-10 09:01:12
【问题描述】：

我想使用 NARX（具有外生输入的非线性自回归网络）进行时间序列预测，我正在拼命地在 R 中寻找合适的包和函数。这个论坛中对同一问题的其他答案提出了

tsDyn 包的nnetTs() 或
nnetar() 在 forecast 包中。另外我发现了
elm() 包中的 elm() 函数。

但它们似乎都不等同于例如 Matlab 中的 NARX 模型，这是我试图避免的。

nnetTs() 没有外生输入变量（又名外部回归变量）的参数，这对 NARX 模型至关重要。 nnetar() 具有这些外部回归量并且是自回归的，但没有提供设置回归量滞后的参数。

最后的问题是：R 中是否存在真正的 NARX 等价物？

【问题讨论】：

欢迎来到 SO；请花一些时间阅读What topics can I ask about here?，并注意要求我们推荐或查找书籍、工具、软件库、教程或其他场外资源的问题在此处不属于主题。

标签： r machine-learning neural-network time-series forecasting

【解决方案1】：

R中nnfor包的mlp函数，相当于NARX。此函数提供外部回归量和滞后量：

xreg：外生回归量。每列是一个不同的回归量，并且样本大小必须至少与目标样本内集一样长，但可以更长。

xreg.lags：这是一个包含滞后的列表每个外生变量。每个列表都是一个数值向量，包含滞后。如果 xreg 有 3 列，则 xreg.lags 列表必须包含三个元素。如果为 NULL 则自动指定。

请参阅下面的example by Nikolaos Kourentzes：

library(nnfor)
# The objective is to forecast the Airline Passengers series with only deterministic trend and seasonality
# mlp does the deterministic seasonality internally, when needed, but not the trend.

# Let us prepare some data
y <- AirPassengers
plot(y)
h <- 2*frequency(y)
tt <- cbind(c(1:(length(y)+h),rep(0,2*h)))
plot(tt)
# Observe that the deterministic trend ends with zeros
print(tt)

# Fit a network with no differencing, no univariate lags, and fixed deterministic trend
fit1 <- mlp(y,difforder=0,lags=0,xreg=tt,xreg.lags=list(0),xreg.keep=TRUE)
print(fit1)
plot(fit1)
plot(forecast(fit1,h=h,xreg=tt))
# The forecast is reasonable

# Now let us shift the input so that the zeros are in the forecast period
tt2 <- tt[-(1:h),,drop=FALSE]
plot(forecast(fit1,h=h,xreg=tt2))
# The seasonality is there, but there is zero trend, as the inputs suggest. 
# Also note that the mlp modelled multiplicative seasonality on its own. NNs are cool. 

# Now let us fit a network on the shifted inputs
# I will ask for outplot=1 to see the model fit
fit2 <- mlp(y,difforder=0,lags=0,xreg=tt2,xreg.lags=list(0),xreg.keep=TRUE,outplot=1)
plot(fit2)
plot(forecast(fit2,h=h,xreg=tt2))
# Same as before

# Now lets fit with two inputs, the shifted (lead of 24 periods) and the original trend
fit3 <- mlp(y,difforder=0,lags=0,xreg=cbind(tt[1:192,,drop=FALSE],tt2),xreg.lags=list(0,0),xreg.keep=list(TRUE,TRUE),outplot=1)
print(fit3)
plot(fit3)
plot(forecast(fit3,h=h,xreg=cbind(tt[1:192,,drop=FALSE],tt2)))
# The network gets a bit confused with one of the trend vectors stopping!

【讨论】：