全文链接：http://tecdat.cn/?p=32198
多元时间序列建模一直是吸引了来自经济，金融和交通等各个领域的研究人员的主题（点击文末“阅读原文”获取完整代码数据）。
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。
读取数据
data=read.xlsx("my data.xlsx") head(data)
建立神经网络模型
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'
绘制拟合数据
点击标题查阅往期内容
【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享
01
02
03
04
预测未来的20年数据
foreY1=0 foreY1=predict(mod2,data.frame(T=foreyear) )
预测新变量
datanew= data.frame(T=foreyear,Y1=foreY1,Y2=foreY2)
绘制未来20年的时间序列
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)
