問題:隨時間變化的連續變量值的模型演變。用於ARTXP時間序列預測算法和ARTXP理論的Python代碼
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?
問題:隨時間變化的連續變量值的模型演變。用於ARTXP時間序列預測算法和ARTXP理論的Python代碼
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?
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
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
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。