用於ARTXP時間序列預測算法和ARTXP理論的Python代碼

Question

問題：隨時間變化的連續變量值的模型演變。

我通過一篇論文介紹了一種預測時間序列下一個值的方法。鑑於ARIMA模型對於長期預測更準確，ARTXP模型優先推斷下一個值。

用於數據挖掘算法的Microsoft庫實現ARTXP，它是自迴歸樹模型的變體。

算法如何工作？你有這個模型的Python實現嗎？

Answer 1

我們可以參考this paper，並在下面的論述中總結了方法。時間序列

考慮變量的時間序列， ，

型時間序列是值的這些變量，序列。如果是一個概率分佈或模型，我們限制機型形式

型號是概率性的，固定的，並具有對馬氏性。

自迴歸樹模型

首先，AR模型是形式

其中是正態分佈具有明顯的記號。

也就是說，在每個時間點，一個值的概率意味着該系列的最後p個值的「自迴歸」均值。

An ART model是分段線性的AR模型，因此可以表示爲樹。每個非葉是一個布爾公式，每個葉是一個AR模型。

這很簡單：沿樹的分支操作取決於系列的過去值。然後每一片葉子都是用於預測下一個時間序列值的AR模型。

AR模型是退化的ART模型，其中有一個「布爾」決策節點和一個葉AR模型。