全文链接：/?p=18493
本文我们使用4个时间序列模型对每周的温度序列建模。第一个是通过auto.arima获得的，然后两个是SARIMA模型，最后一个是Buys-Ballot方法（点击文末“阅读原文”获取完整代码数据）。
我们使用以下数据
k=620n=nrow(elec)futu=(k+1):ny=electricite$Load[1:k]plot(y,type="l")
我们开始对温度序列进行建模（温度序列对电力负荷的影响很大）
相关视频
y=Tempplot(y,type="l")
abline(lm(y[ :k]~y[( :k)-52]),col="red")
点击标题查阅往期内容
ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
左右滑动查看更多
01
02
03
04
时间序列是自相关的，在52阶
acf(y,lag=120)
model1=auto.arima(Y)acf(residuals(model1),120)
我们将这个模型保存在工作空间中，然后查看其预测。让我们在这里尝试一下SARIMA
arima(Y,order = c(0,0,0), seasonal = list(order = c(1,0,0)))
然后让我们尝试使用季节性单位根
Z=diff(Y,52)arima(Z,order = c(0,0,1), seasonal = list(order = c(0,0,1)))
然后，我们可以尝试Buys-Ballot模型
lm(Temp~0+as.factor(NumWeek),
对模型进行预测
plot(y,type="l",xlim=c(0,n )abline(v=k,col="red")lines(pre4,col="blue")
plot(y,type="l",xlim=c(0,n))abline(v=k,col="red")
plot(y,type="l",xlim=c(0,n))
plot(y,type="l",xlim=c(0,n))abline(v=k,col="red")
最后比较4个模型的结果
lines( MODEL$y1,col=" lines( MODEL$y2,col="green")lines( MODEL$y3,col="orange")lines( MODEL$y4,col="blue")
然后，我们可以尝试加权平均值来优化模型，而不是找出四个中的哪一个模型是“最优”，y ^ T = ∑iωiy ^ t（i）其中ω=（ωi），ω1+ ... +ωk= 1。然后，我们想要找到“最佳”权重。我们将在第一个m值上校准我们的四个模型，然后比较下111个值（和真实值）的预测组合，
我们使用前200个值。
然后，我们在这200个值上拟合4个模型
然后我们进行预测
y1=predict(model1,n.ahead = 111)$pred,y2=predict(model2,n.ahead = 111)$pred,y3=predict(model3,n.ahead = 111)$pred,y4=predict(model4,n.ahead = 111)$pred+
为了创建预测的线性组合，我们使用
a=rep(1/4,4)y_pr = as.matrix(DOS[,1:4]) %*% a
因此，我们可视化这4个预测，它们的线性组合（带有等权重）及其观察值
为了找到权重的“最佳”值，最小化误差平方和，我们使用以下代码
function(a) sum( DONN[,1:4 %*% a-DONN[,5 )^2
我们得到最优权重
optim(par=c(0,0,0),erreur2)$par
然后，我们需要确保两种算法的收敛性：SARIMA参数的估计算法和权重参数的研究算法。
if(inherits(TRY, "try-error") arima(y,order = c(4,0,0) seasonal = list(order = c(1,0,0)),method="CSS")
然后，我们查看权重随时间的变化。
获得下图，其中粉红色的是Buys-Ballot，粉红色的是SARIMA模型，绿色是季节性单位根，
barplot(va,legend = rownames(counts)
我们发现权重最大的模型是Buys Ballot模型。
可以更改损失函数，例如，我们使用90％的分位数，
tau=.9function(e) (tau-(e<=0))*e
在函数中，我们使用
这次，权重最大的两个模型是SARIMA和Buys-Ballot。
点击文末“阅读原文”
获取全文完整代码数据资料。
本文选自《R语言ARIMA集成模型预测时间序列分析》。
点击标题查阅往期内容
R语言用ARIMA模型滑动时间窗口识别网络流量时间序列异常值
python用ARIMA模型预测CO2浓度时间序列实现
R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言多元Copula GARCH 模型时间序列预测
python中的copula：Frank、Clayton和Gumbel copula模型估计与可视化
R语言中的copula GARCH模型拟合时间序列并模拟分析
matlab使用Copula仿真优化市场风险数据VaR分析
R语言多元Copula GARCH 模型时间序列预测
R语言Copula函数股市相关性建模：模拟Random Walk(随机游走)
R语言实现 Copula 算法建模依赖性案例分析报告
R语言ARMA-GARCH-COPULA模型和金融时间序列案例
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言COPULA和金融时间序列案例
matlab使用Copula仿真优化市场风险数据VaR分析
matlab使用Copula仿真优化市场风险
R语言多元CopulaGARCH模型时间序列预测
R语言Copula的贝叶斯非参数MCMC估计
R语言COPULAS和金融时间序列
R语言乘法GARCH模型对高频交易数据进行波动性预测
R语言GARCH-DCC模型和DCC（MVT）建模估计
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
R语言时间序列GARCH模型分析股市波动率
R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测
matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计
Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测
使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略
R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模
R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析
R语言多元Copula GARCH 模型时间序列预测
R语言使用多元AR-GARCH模型衡量市场风险
R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
R语言用Garch模型和回归模型对股票价格分析
GARCH（1,1），MA以及历史模拟法的VaR比较
matlab估计arma garch 条件均值和方差模型
R语言ARMA-GARCH-COPULA模型和金融时间序列案例
如果觉得《R语言ARIMA集成模型预测时间序列分析》对你有帮助，请点赞、收藏，并留下你的观点哦！
