使用附加功能预测时间序列

Question

比方说，我想预测去医院的人数。 我已经有去医院的每日历史流量，而简单的神经网络（MLP）可以很好地捕捉到这一点。

我想看看我是否可以通过合并天气数据来进一步改善性能（例如，我们希望天气变老时，会有更多人去医院就诊）。

我正在查看的各种R包似乎不允许我提供原始时间序列数据以外的第二项功能。

有什么建议吗？

Answer 1

当R中的时间变量本身之外还有其他变量时，有几种方法可以进行时间序列预测。我知道的一种方法称为动态线性模型。您可以在“动态”包中使用此方法。

Answer 2

  

和简单的神经网络（MLP）可以很好地捕获这一点。

实际上，MLP通常在时间序列问题上做得不太好。诸如ARIMA或指数平滑之类的统计模型往往比基于NNet的方法表现更好。在某些情况下，LSTM可能会提供与统计方法相当的性能，但是AFAIK MLP在预测问题上表现不佳。

  

我正在查看的各种R包似乎不允许我提供原始时间序列数据以外的第二项功能。

这是不正确的。许多用于预测的R包都允许使用超出原始时间序列的外部回归器。例如，在auto.arima，tbat和nnetar中，可以通过向模型添加参数xregs来包括它们。

在BSTS和先知中也可以。