第1个回答 2024-08-15
本文以魁北克数据为基础，对R语言中的prophet预测时间序列数据模型进行了研究。研究分为13年训练和1年测试，将prophet与基本线性模型（lm）、一般加性模型（gam）和随机森林（randomForest）进行了比较。
研究开始前，首先设置了相关选项，加载了必要的库，并更改了工作目录。接着，读取了魁北克的出生文件，建立了data.table，并创建了培训和测试data.tables。其中，使用前13年的每日数据进行培训，第14年进行测试。
为了评估预测模型的性能，定义了两个小函数来计算均方根误差（rmse）和平均绝对百分比误差（mape），越低越好。随后，开始拟合基本的lm线性模型，并计算了rmse和mape。接着，运行了一个星期几的每日出生率模型，以捕捉一周内的季节性，性能指标显示该模型比第一个模型好。
第三个模型基于月创建了一个因子来处理每月的季节，这种季节性似乎不像一周中的一天那么强烈。最后，运行了一个包含上述三个变量的lm模型，预测的rmse和mape较低。
随后，使用gam程序包运行了一个3变量通用加性模型，发现训练和测试的rmse和mape与最终的lm模型相当。接着，使用相似的趋势和季节性属性拟合了randomForest ML模型，发现火车和测试性能之间的差异较大，表明火车数据过拟合。
最后，将数据划分为训练并进行测试以适合先知并拟合其模型。在这一点上，观察了上面安装的各种lm模型的预测，包括趋势、星期几和月份。接下来，绘制了模型的组成部分，与上图非常相似，使用的是一年中的日期而不是月份。
最后，使用测试数据比较了3属性lm模型、gam模型、先知模型和随机森林模型。在每个面板中，灰色表示实际值，而颜色表示模型预测。结果显示，lm、gam和先知的表现相似，而随机森林滞后。利用这些特定的数据，先知、lm和gam模型的测试预测非常相似，并且优于randomForest。