如何使用SGD進行時間序列分析

是否可以使用stochastic gradient descent進行時間序列分析？如何使用SGD進行時間序列分析

我最初的想法是，假設有一系列（t，v）對，我希望SGD迴歸器預測與t + 1相關的v，將會將日期/時間轉換爲整數值，然後訓練使用鉸鏈損失函數在此列表上的迴歸器。這是可行的嗎？

編輯：這是在scikit-learn中使用SGD implementation的示例代碼。但是，它無法正確預測簡單的線性時間序列模型。它似乎要做的就是計算訓練Y值的平均值，並將其用作測試Y值的預測值。 SGD是不適合進行時間序列分析還是我不正確地制定這個？

from datetime import date 
from sklearn.linear_model import SGDRegressor 

# Build data. 
s = date(2010,1,1) 
i = 0 
training = [] 
for _ in xrange(12): 
    i += 1 
    training.append([[date(2012,1,i).toordinal()], i]) 
testing = [] 
for _ in xrange(12): 
    i += 1 
    testing.append([[date(2012,1,i).toordinal()], i]) 

clf = SGDRegressor(loss='huber') 

print 'Training...' 
for _ in xrange(20): 
    try: 
     print _ 
     clf.partial_fit(X=[X for X,_ in training], y=[y for _,y in training]) 
    except ValueError: 
     break 

print 'Testing...' 
for X,y in testing: 
    p = clf.predict(X) 
    print y,p,abs(p-y)

來源

2012-05-31 Cerin

你應該看看LMS算法。這是一個自適應維納濾波器，可用於預測或用於其他任務。 LMS基於隨機梯度下降。還有許多其他變體，如NLMS，Leaky LMS，Sign LMS。

來源

2012-05-31 19:49:45 YBE

嗯，這不是一個真正的編程問題。但是，無論如何...

時間序列預測的首選方法取決於你對時間序列的瞭解。如果您爲您的任務選擇特定的方法，您總是會對信號的性質以及產生信號的系統的種類作出隱含的假設。任何方法總是系統的一個模型。您對信號和系統的先驗知識越多，您就可以對其進行建模。

如果您的信號具有隨機性，通常ARMA過程或卡爾曼濾波器是一個不錯的選擇。如果這些失敗了，其他更確定性的模型可能會對corse有所幫助，您可以獲得關於您系統的一些信息。

來源

2012-06-01 08:10:42

如何使用SGD進行時間序列分析

回答

相關問題