如何解决无法使用 ETS 进行预测
大家早上好。我正在尝试使用 ETS 进行预测。
from sktime.forecasting.ets import AutoETS
datos = [21.5294,21.5228,21.5289,21.5096,21.506,21.5119,21.5173,21.5308,21.5355,21.5181,21.5,21.4972,21.5067,21.5149,21.4994,21.4967,21.4774,21.4662,21.4752,21.4858,21.4581,21.4398,21.4385,21.4471,21.4399,21.444,21.4555,21.4366,21.4402,21.4371,21.4317,21.4342,21.411,21.4174,21.4149,21.4151,21.4186,21.4411,21.4569,21.4628,21.448,21.4468,21.4357,21.4329,21.4543,21.4429,21.4478,21.4423,21.4536,21.4416,21.4384,21.4378,21.4622,21.4413,21.4315,21.4419,21.4323,21.429,21.4103,21.4194,21.4364,21.4245,21.4348,21.4276,21.4113,21.4235,21.407,21.412,21.4263,21.431,21.4362,21.432,21.4445,21.4487,21.4623,21.4766,21.4785,21.4891,21.4869,21.4903,21.4839,21.4856,21.4909,21.5048,21.5005,21.4905,21.4906,21.4914,21.5052,21.4898,21.5232,21.5234,21.5086,21.5108,21.5017,21.5141,21.5055,21.4953,21.4618,21.4504,21.4667,21.4602,21.453,21.4497,21.4446,21.4308,21.4347,21.4512,21.4675,21.465,21.4624,21.4682,21.472,21.4632,21.4644,21.4615,21.4604,21.4679,21.4672]
indice = pd.date_range("2020-10-31 23:57:00",periods=len(datos),freq="T")
datos = pd.Series(data=datos,index=indice)
datos = datos.asfreq(freq='T')
pasado = datos[:100]
futuro = datos[100:]
model_auto = AutoETS(auto=True,initialization_method='heuristic',allow_multiplicative_trend=True,n_jobs=-1,sp=10)
model_auto.fit(pasado)
lista = list(np.array(range(20))+1)
prediccion = model_auto.predict(lista)
#print(pasado)
#print(futuro)
#print(prediccion)
pasado.plot()
futuro.plot()
prediccion.plot()
plt.show()
结果如下：
蓝线对应于我用来训练模型的数据。
橙色线对应'未来'数据
绿线对应预测，应该接近橙线。
我不知道为什么预测总是相同的值。
我想知道您对此的看法。你知道这个预测中为什么会出现这种情况，我该如何纠正？
谢谢。
解决方法
这不是一个错误......我不是该主题的专家，但简短的回答是：“这是由于您拥有的数据集”。
用一个例子来给出长答案更好......想象一下你有另一组数据。如果您同意，它们可能是：
datos = [
30.05251300,19.14849600,25.31769200,27.59143700,32.07645600,23.48796100,28.47594000,35.12375300,36.83848500,25.00701700,30.72223000,28.69375900,36.64098600,23.82460900,29.31168300,31.77030900,35.17787700,19.77524400,29.60175000,34.53884200,41.27359900,26.65586200,28.27985900,35.19115300,42.20566386,24.64917133,32.66733514,37.25735401,45.24246027,29.35048127,36.34420728,41.78208136,49.27659843,31.27540139,37.85062549,38.83704413,51.23690034,31.83855162,41.32342126,42.79900337,55.70835836,33.40714492,42.31663797,45.15712257,59.57607996,34.83733016,44.84168072,46.97124960,60.01903094,38.37117851,46.97586413,50.73379646,61.64687319,39.29956937,52.67120908,54.33231689,66.83435838,40.87118847,51.82853579,57.49190993,65.25146985,43.06120822,54.76075713,59.83447494,73.25702747,47.69662373,61.09776802,66.05576122]
indice = pd.date_range("2020-10-31 23:57:00",periods=len(datos),freq="T")
datos = pd.Series(data=datos,index=indice)
datos = datos.asfreq(freq='T')
这样你就会得到一个类似这样的代码：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.exponential_smoothing.ets import ETSModel
datos = [
30.05251300,66.05576122]
indice = pd.date_range("2020-10-31 23:57:00",freq="T")
datos = pd.Series(data=datos,index=indice)
datos = datos.asfreq(freq='T')
pasado = datos[:48]
futuro = datos[47:]
modelo = ETSModel(datos,error="add",trend="add",seasonal="add",damped_trend=True,seasonal_periods=4)
#modelo_fit = modelo.fit(maxiter=10000)
fit = modelo.fit()
print(fit.summary())
pred = fit.get_prediction(start='2020-11-01 00:44:00',end='2020-11-01 01:04:00')
df = pred.summary_frame(alpha=0.05)
simulated = fit.simulate(anchor="end",nsimulations=10,repetitions=100)
for i in range(simulated.shape[1]):
simulated.iloc[:,i].plot(label='_',color='gray',alpha=0.1)
df["mean"].plot(label='mean prediction')
df["pi_lower"].plot(linestyle='--',color='tab:cyan',label='95% interval')
df["pi_upper"].plot(linestyle='--',label='_')
pred.endog.plot(label='data')
plt.legend()
plt.show()
你会得到这样的结果：
您的数据以橙色表示。 ETS 模型估计蓝色数据的平均值，以及数据可以根据平均值变化的范围（即间歇性青色线）。然后（在预测中）模型执行模拟尝试预测，向前 10 步，并进行 100 次尝试（它们是灰线）。
在这种特殊情况下，模型非常适合数据……当然！这是一个教科书的例子，所以它会完美地工作 - 在日常实践中，理论是不同的。
尽管您使用了另一个库，但通常它可以用来解释您得到的结果的原因。
用于预测的 ETS 模型有几个可用的功能：
- 预测：根据样本进行预测
- 预测：样本内和样本外预测
- 模拟：运行状态空间模型的模拟
- get_prediction：样本内和样本外预测，以及预测区间。
在您的情况下，数据是随机的，因为在模型眼中缺少另一个词，并且此特定模型很难生成或决定数据在未来的去向，因此它估计了平均值、上限和较低的范围。其中数据可能在未来。
让我们使用相同的代码，只是改变数据，你会得到这样的东西：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.exponential_smoothing.ets import ETSModel
pasado = datos[:100]
futuro = datos[99:]
print(futuro)
modelo = ETSModel(datos,seasonal_periods=4)
#modelo_fit = modelo.fit(maxiter=10000)
fit = modelo.fit()
print(fit.summary())
#prediccion = modelo_fit.get_prediction(start='2020-11-01 01:37:00',end='2020-11-01 01:57:00')
pred = fit.get_prediction(start='2020-11-01 01:36:00',end='2020-11-01 01:56:00')
df = pred.summary_frame(alpha=0.05)
simulated = fit.simulate(anchor="end",nsimulations=20,repetitions=100)
for i in range(simulated.shape[1]):
simulated.iloc[:,alpha=0.1)
df["mean"].plot(label='mean prediction')
df["pi_lower"].plot(linestyle='--',label='_')
pred.endog.plot(label='data')
pasado.plot(label='Pasado')
futuro.plot(label='Futuro')
plt.legend()
plt.show()
在训练数据（绿色）之后，有一种气泡（青色虚线之间包含的内容），这是对数据未来可能位置的估计（根据模型） ，因此您通常看到的具有相同值的线是模型预测的未来值的估计平均值。换句话说，根据数据，模型无法根据您在未来变量中拥有的数据进行精确调整。
可以（绝对……也许）更适合数据的模型可能是 SARIMA 或 SARIMAX，最好搜索（对于以前的情况）适合值顺序 = (p,d,q) 和season_order = (P,D,Q,s) 自动（尽管计算成本可能开始上升）。
当然，还有更多的模型，Mathematica 有一个函数（这个我暂时想不起来了），它会寻找最适合数据的模型和参数集。也许某个地方的 Python 有类似的东西——如果是这样，我很想听听。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
