在 R 中使用支持向量机 (SVM) 进行时间序列预测答案

【问题标题】：Time Series Forecasting using Support Vector Machine (SVM) in R在 R 中使用支持向量机 (SVM) 进行时间序列预测
【发布时间】：2018-08-11 09:59:53
【问题描述】：

我已尝试搜索，但找不到此问题的具体答案。到目前为止，我能够意识到使用 SVM 可以进行时间序列预测。我浏览了几篇执行相同但没有提及任何代码的论文/文章，而是解释了算法（我不太明白）。有些人使用python完成了它。我的问题是：我有一个公司 2010 年到 2017 年的销售额数据（比如单变量）。我需要使用 R 中的 SVM 预测 2018 年的销售额。您能否通过一个小示例简单地介绍和解释 R 代码以执行相同的操作？我真的很感谢你的投入和努力！谢谢！！！

【问题讨论】：

标签： r time-series svm forecasting

【解决方案1】：

假设您有月度数据，例如来自 Air Passengers 数据集的数据。您不需要时间序列类型的数据，只需要一个包含时间步长和值的数据框。让我们将它们命名为 x 和 y。接下来，您开发一个 svm 模型，并指定您需要预测的时间步长。使用 predict 函数计算给定时间步长的预测值。而已。然而，支持向量机通常不被认为是时间序列预测的最佳方法，尤其是对于长序列数据。它可以在前面的少量观察中表现良好，但我不希望预测会有好的结果，例如。明年全年的每日数据（但显然取决于数据）。基于 SVM 的预测的简单 R 代码：

# prepare sample data in the form of data frame with cols of timesteps (x) and values (y)  
data(AirPassengers) 
monthly_data <- unclass(AirPassengers)
months <- 1:144
DF <- data.frame(months,monthly_data)
colnames(DF)<-c("x","y")

# train an svm model, consider further tuning parameters for lower MSE
svmodel <- svm(y ~ x,data=DF, type="eps-regression",kernel="radial",cost=10000, gamma=10)
#specify timesteps for forecast, eg for all series + 12 months ahead
nd <- 1:156
#compute forecast for all the 156 months 
prognoza <- predict(svmodel, newdata=data.frame(x=nd))

#plot the results
ylim <- c(min(DF$y), max(DF$y))
xlim <- c(min(nd),max(nd))
plot(DF$y, col="blue", ylim=ylim, xlim=xlim, type="l")
par(new=TRUE)
plot(prognoza, col="red", ylim=ylim, xlim=xlim)

【讨论】：