如何在R中使用支持向量回归来预测未来价值

如何解决如何在R中使用支持向量回归来预测未来价值

我试图根据时间（x〜time）预测周期位置的未来值，并使用支持向量回归进行单变量预测。该模型非常适合火车数据，但是当根据测试数据进行评估时，该模型会变成一条直线。在下面的代码中，我对火车使用了50个观测值（红色周期曲线的前半部分，其中SVR非常合适），对测试使用了50个观测结果（红色曲线的后半部分，其中SVR无法预测）。

library(lubridate)
library(purrr)
library(ggplot2)
library(Metrics)
library(caret)
library(dplyr)
library(e1071)

# train_data has 50 observations
# eval_data has 100 observations (the first half is train_data)
 
func <- x ~ abs_time # position x dependent on time
svr_model <- svm(func,train_data,type = "eps-regression",kernel="radial",gamma=13,cost=10,epsilon = 0.01)

k_hat <- predict(svr_model,eval_data)
  
plot(x = eval_data$abs_time,y = eval_data$x,type = "l",col="red") # true position
points(x = eval_data$abs_time,y = k_hat,col = "blue") # SVR predicted position

我看了这篇文章： Time Series Forecasting using Support Vector Machine (SVM) in R并尝试了将训练数据和测试数据结合在一起并评估模型的建议。

想知道这里发生了什么。我的直觉是，将来内核的选择无法推广到周期性模式。我将如何构建内核，以使SVR模型能够在将来预测周期性数据？

解决方法

您可以使用caretForecast软件包。您可以使用caret支持的任何ML模型，包括SVM。

要安装软件包：devtools::install_github("Akai01/caretForecast")

示例代码

library(caretForecast)
library(forecast)

training_data <- window(AirPassengers,end = c(1960,1))

testing_data <- window(AirPassengers,start = c(1960,2))


fit <- ARml(training_data,maxlag = 12,caret_method = "svmLinear",lambda = "auto")

forecast(fit,h = length(testing_data),level = NULL)-> fc

accuracy(fc,testing_data)


fc_plot(fc) + 
  autolayer(testing_data,series = "testing_data")

get_var_imp(fc)

get_var_imp(fc,plot = F)

ref：https://github.com/Akai01/caretForecast