具有单个隐藏层和滞后输入的前馈神经网络，可以用于预测单变量时间序列。将神经网络模型拟合到以时间序列的滞后值作为输入的时间序列。因此它是一个非线性的模型，不可能得出预测区间。
因此我们使用仿真。
读取数据进行可视化：
## # A tibble: 6 x 2 ## Date Actual ## <dttm> <dbl> ## 1 2016-01-11 26 ## 2 2016-01-18 27 ## 3 2016-01-25 28 ## 4 2016-02-01 22 ## 5 2016-02-08 27 ## 6 2016-02-15 31 dat%>%ggplot(aes(Date,Actual))+ labs(title = "耐久性车辆预测", x = "时间", y = "耐用车辆数量", subtitle = " 2016 & 2017年数据") +
#数据必须为数字，tsclean函数才能正常工作 dat%>%dplyr::rename(Date=Week)%>%na.omit() dat_ts = ts(dat["实际数量"]) nn(data, lambda=0.5) Average of 20 networks, each of which is a 1-1-1 network with 4 weights options were - linear output units sigma^2 estimated as 0.2705
我使用了Box-Cox变换，其中λ=0.5，
确保残差同方差。
该模型可以写成：
其中yt-1 =（yt-1，yt-2，⋯，yt-8）是包含序列的滞后值的向量，f是一个神经网络，在单个层中具有4个隐藏节点。
通过从正态分布或从历史值中重采样随机生成ϵt的值，我们可以迭代地模拟该模型的未来样本路径。
因此，如果{ϵ ∗ T + 1}是从时间T + 1的误差分布中随机抽取的，则
是从yT + 1的预测分布中得出的一种概率。设置
y * T + 1 =（y * T + 1，yT，⋯，yT-6）然后我们可以重复此过程来获得
我们可以迭代地模拟未来的样本路径。通过反复模拟样本路径，我们基于拟合的神经网络建立了所有未来值的分布。这是对数据的9种将来可能的采样路径的模拟。每个样本路径覆盖了观测数据之后的未来20年。
plot(dat_ts) + autolayer(sim)
如果执行此操作几百或数千次，则可以很好地了解预测分布。预测区间：
plot(fcast)
模拟次数为1000。默认情况下，误差来自于正态分布。
