原文链接：http://tecdat.cn/?p=18493
本文我们使用4个时间序列模型对每周的温度序列建模。第一个是通过auto.arima获得的，然后两个是SARIMA模型，最后一个是Buys-Ballot方法。
我们使用以下数据
k=620
n=nrow(elec)
futu=(k+1):n
y=electricite$Load[1:k]
plot(y,type="l")
我们开始对温度序列进行建模（温度序列对电力负荷的影响很大）
y=Temp
plot(y,type="l")
abline(lm(y[ :k]~y[( :k)-52]),col="red")
时间序列是自相关的，在52阶
acf(y,lag=120)
model1=auto.arima(Y)
acf(residuals(model1),120)
我们将这个模型保存在工作空间中，然后查看其预测。让我们在这里尝试一下SARIMA
arima(Y,order = c(0,0,0),
seasonal = list(order = c(1,0,0)))
然后让我们尝试使用季节性单位根
Z=diff(Y,52)
arima(Z,order = c(0,0,1),
seasonal = list(order = c(0,0,1)))
然后，我们可以尝试Buys-Ballot模型
lm(Temp~0+as.factor(NumWeek),
对模型进行预测
plot(y,type="l",xlim=c(0,n )
abline(v=k,col="red")
lines(pre4,col="blue")
plot(y,type="l",xlim=c(0,n))
abline(v=k,col="red")
plot(y,type="l",xlim=c(0,n))
plot(y,type="l",xlim=c(0,n))
abline(v=k,col="red")
最后比较4个模型的结果
lines( MODEL$y1,col="
lines( MODEL$y2,col="green")
lines( MODEL$y3,col="orange")
lines( MODEL$y4,col="blue")
然后，我们可以尝试加权平均值来优化模型，而不是找出四个中的哪一个模型是“最优”，y ^ T = ∑iωiy ^ t（i）其中ω=（ωi），ω1+ ... +ωk= 1。然后，我们想要找到“最佳”权重。我们将在第一个m值上校准我们的四个模型，然后比较下111个值（和真实值）的预测组合，
我们使用前200个值。
然后，我们在这200个值上拟合4个模型
然后我们进行预测
y1=predict(model1,n.ahead = 111)$pred,
y2=predict(model2,n.ahead = 111)$pred,
y3=predict(model3,n.ahead = 111)$pred,
y4=predict(model4,n.ahead = 111)$pred+
为了创建预测的线性组合，我们使用
a=rep(1/4,4)
y_pr = as.matrix(DOS[,1:4]) %*% a
因此，我们可视化这4个预测，它们的线性组合（带有等权重）及其观察值
为了找到权重的“最佳”值，最小化误差平方和，我们使用以下代码
function(a) sum( DONN[,1:4 %*% a-DONN[,5 )^2
我们得到最优权重
optim(par=c(0,0,0),erreur2)$par
然后，我们需要确保两种算法的收敛性：SARIMA参数的估计算法和权重参数的研究算法。
if(inherits(TRY, "try-error") arima(y,order = c(4,0,0)
seasonal = list(order = c(1,0,0)),method="CSS")
然后，我们查看权重随时间的变化。
获得下图，其中粉红色的是Buys-Ballot，粉红色的是SARIMA模型，绿色是季节性单位根，
barplot(va,legend = rownames(counts)
我们发现权重最大的模型是Buys Ballot模型。
可以更改损失函数，例如，我们使用90％的分位数，
tau=.9
function(e) (tau-(e<=0))*e
在函数中，我们使用
这次，权重最大的两个模型是SARIMA和Buys-Ballot。
最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析
8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类