多元时间序列预测的一个基本假设是，其变量相互依赖。

在本文中，我们专门针对客户的多元时间序列数据设计了神经网络框架，拟合单隐层神经网络，可能存在跳跃层连接。

查看数据

其中Y为因变量，时间、Y1、Y2为自变量。

data=read.xlsx("my data.xlsx")  
  
head(data)

建立单隐藏层神经网络，size参数可以确定隐藏层的节点数量，maxit控制迭代次数。

require(nnet)

## Loading required package: nnet

 #设置因变量  
  y=data$Y  
#  y<-data.frame((y-min(y))/(max(y)-min(y)))  
 names(y)<-'y'

pre=ts(pre,start = c(2015),f=1)
 
###############################绘制未来20年的时间序列
plot(pre, axes = F,col=2,type="l")
axis(side = 1 ,col=10)

发布者：股市刺客，转载请注明出处：https://www.95sca.cn/archives/109216
站内所有文章皆来自网络转载或读者投稿，请勿用于商业用途。如有侵权、不妥之处，请联系站长并出示版权证明以便删除。敬请谅解！