在 for 循环中使用 GLM 进行日前预测的 R 模型预测

如何解决在 for 循环中使用 GLM 进行日前预测的 R 模型预测

我有以下数据表，我想用它来根据数据表中的其他变量和 GLM（= 广义线性模型）预测 DE 价格。

set.seed(123)
dt.data <- data.table(date = seq(as.Date('2019-01-01'),by = '1 day',length.out = 731),'DE' = rnorm(731,30,1),'windDE' = rnorm(731,10,'consumptionDE' = rnorm(731,50,'nuclearDE' = rnorm(731,8,'solarDE' = rnorm(731,1,check.names = FALSE)


dt.forecastData <- dt.data
dt.forecastData <- na.omit(dt.forecastData)


fromTestDate <- "2019-12-31"
fromDateTest <- base::toString(fromTestDate)      


## Create train and test date-vectors depending on fromDateTest: ##
v.train <- which(dt.forecastData$date <= fromDateTest)
v.test <- which(dt.forecastData$date == as.Date(fromDateTest)+1)

## Create data tables for train and test data with specific date range (fromTestDate): ##
dt.train <- dt.forecastData[v.train]
v.trainDate <- dt.train$date
dt.test <- dt.forecastData[v.test]
v.testDate <- dt.test$date

## Delete column "date" of train and test data for model fitting: ##
dt.train <- dt.train[,c("date") := NULL]
dt.test <- dt.test[,c("date") := NULL]


## MODEL FITTING: ##
## Generalized Linear Model: ##
xgbModel <- stats::glm(DE ~ .-1,data = dt.train,family = quasi(link = "identity",variance = "constant"))


## Train and Test Data PREDICTION with xgbModel: ##
dt.train$prediction <- stats::predict.glm(xgbModel,dt.train)
dt.test$prediction <- stats::predict.glm(xgbModel,dt.test)


## Add date columns to dt.train and dt.test: ##
dt.train <- data.table(date = v.trainDate,dt.train)
dt.test <- data.table(date = v.testDate,dt.test)

在此代码中，我使用 2019-01-01 到 2019-12-31 的数据训练模型，并使用 2020-01-01 的日前预测对其进行测试。 现在我想创建一个 for 循环，以便我总共运行模型 365，如下所示：

运行 1：

a) 使用 01-01-2019 到 31-12-2019 来训练我的模型

b) 预测 01-01-2020（测试数据）

c) 使用 01-01-2020 的实际数据点来评估预测

运行 2：

a) 使用 01-01-2019 到 01-01-2020 来训练我的模型

b) 预测 02-01-2020

c) 使用 02-01-2020 的实际数据点来评估预测

等

最后，我想绘制例如单个预测性能的累积总和或单个预测性能的直方图和一些汇总统计数据（均值、中值、标准差等）

不幸的是，我不知道如何开始循环以及在哪里可以保存每次运行的预测？ 我希望有人能帮我解决这个问题！

解决方法

基本上，您必须构建一个包含每次运行结束日期的向量。然后，您可以在循环的每次迭代中选择一个结束日期，运行模型并提前一天预测。使用您的代码，这可能如下所示：

set.seed(123)
dt.data <- data.table(date = seq(as.Date('2019-01-01'),by = '1 day',length.out = 731),'DE' = rnorm(731,30,1),'windDE' = rnorm(731,10,'consumptionDE' = rnorm(731,50,'nuclearDE' = rnorm(731,8,'solarDE' = rnorm(731,1,check.names = FALSE)


dt.forecastData <- dt.data
dt.forecastData <- na.omit(dt.forecastData)

在这里，我构建了一个包含 2019 年 12 月 31 日至 2020 年 1 月 15 日之间所有天数的向量，根据需要进行调整：

# vector of all end dates
eval.dates <- seq.Date(from = as.Date("2019-12-31"),to   = as.Date("2020-01-15"),by   = 1)

在这里，我为提前一天的预测创建了一个存储文件

# storage file for all predictions
test.predictions  <- numeric(length = length(eval.dates))

现在，使用您的代码运行循环并在每次迭代中选择一个结束日期：

for(ii in 1:length(eval.dates)){ # loop start

fromTestDate <- eval.dates[ii] # get end date for iteration
fromDateTest <- base::toString(fromTestDate)      


## Create train and test date-vectors depending on fromDateTest: ##
v.train <- which(dt.forecastData$date <= fromDateTest)
v.test <- which(dt.forecastData$date == as.Date(fromDateTest)+1)

## Create data tables for train and test data with specific date range (fromTestDate): ##
dt.train <- dt.forecastData[v.train]
v.trainDate <- dt.train$date
dt.test <- dt.forecastData[v.test]
v.testDate <- dt.test$date

## Delete column "date" of train and test data for model fitting: ##
dt.train <- dt.train[,c("date") := NULL]
dt.test <- dt.test[,c("date") := NULL]


## MODEL FITTING: ##
## Generalized Linear Model: ##
xgbModel <- stats::glm(DE ~ .-1,data = dt.train,family = quasi(link = "identity",variance = "constant"))






## Train and Test Data PREDICTION with xgbModel: ##
test.predictions[ii] <- stats::predict.glm(xgbModel,dt.test)


# verbose
print(ii)

} # loop end

如您所见，这是您代码的一个缩短版本，为简洁起见，我省略了对训练集的预测。它们可以很容易地按照您上面的代码行添加。

您没有指定要使用哪些度量来评估您的样本外预测。对象 test.predictions 包含您所有的提前一步预测，您可以使用它来计算 RMSE、LPS 或您想使用的任何预测能力量化。