混合预测 - 单模型预测的平均值 - 通常用于产生比任何预测模型更好的点估计。我展示了如何为混合预测构建预测区间，这种预测的覆盖范围比最常用的预测区间更准确（即80％的实际观测结果确实在80％置信区间内）。
预测间隔
预报员的问题是在预测组合中使用的预测间隔。预测间隔是与置信区间相似但不相同的概念。预测间隔是对尚未知但将在未来的某个点观察到的值（或更确切地说，可能值的范围）的估计。而置信区间是对基本上不可观察的参数的可能值范围的估计。预测间隔需要考虑模型中的不确定性，模型中参数的不确定估计（即那些参数的置信区间），以及与预测的特定点相关联的个体随机性。
介绍
结合auto.arima()并ets()，有效地进行混合预测。为了使更方便，我创建了一个hybridf()在R中为我做这个并生成类对象的函数forecast。
深灰色区域是80％预测区间，浅灰色区域是95％预测区间。
测试M3
结果如下：
| 变量 | 准确度 |
| ets_p80 | 0.75 |
| ets_p95 | 0.90 |
| auto.arima_p80 | 0.74 |
| auto.arima_p95 | 0.88 |
| hybrid_p80 | 0.83 |
| hybrid_p95 | 0.94 |
我的混合方法有在接近广告的成功率，而这两个预测区间ets()和auto.arima()不太成功。
以下是我在M3数据上测试的方法。我构建了一个小函数pi_accuracy()来帮助，它利用了类预测对象返回一个名为“lower”的矩阵和另一个名为“upper”的矩阵，每个预测区间级别都有一列。
#------------------setup------------------------ library(forecast) ly = "myfont")) pi_accuracy <- function(fc, yobs){ # checks the success of prediction intervals of an object of class In <- (yobsm }
实际上拟合所有预测相对简单。我的笔记本电脑花了大约一个小时。
num_series <- length(M3) # ie 3003 results <- matrix(0, nrow = num_series, ncol = 7) for(i in 1:num_series){ cat(i, " ") # let me know how it's going as it loops through... series <- M3[[i]] ccess fc1 <- fc3$fc_ets r geom_smooth(se = FALSE, method = "lm") + theme(panel.grid.minor = element_blank())
预测
| 变量 | 准确度 |
| ets_p80 | 0.72 |
| ets_p95 | 0.88 |
| auto.arima_p80 | 0.70 |
| auto.arima_p95 | 0.86 |
| hybrid_p80 | 0.80 |
| hybrid_p95 | 0.92 |
#===== bootstrapping ============= num_series <- length(M3) resultsb <- matrix(0, nrow = num_series, ncol = 7) for(i in 1:num_series){ cat(i, " ") gather(variable, value, -h) %>% mutate(weighted_val ighted_value) / sum(h), 2))
结论
- 根据M3竞赛数据进行测试，通过组合
ets()并auto.arima()形成的预测到期望的水平，即80％预测interval在80％的时间内包含真值，95％的预测间隔包含不到95％的时间的真值。
