ARTXP时间序列预测算法和ARTXP理论的Python代码

Question

问题:模拟连续变量值随时间的演变。

我通过一篇论文介绍了一种预测时间序列的下一个值的方法。 ARIMA 模型对于长期预测更准确，而 ARTXP 模型更适合推断下一个值。

用于数据挖掘算法的 Microsoft 库实现了 ARTXP，一种自回归树模型的变体。

算法是如何工作的？您有此模型的 Python 实现吗？

Answer 1

可以引用this paper ，下面的解释总结了本文中的方法。

时间序列模型

给定变量的时间序列， ，时间序列是这些变量的一系列值， .如果是概率分布或模型，我们限制为具有形式的模型

模型是概率性的、平稳的，并且具有 p-Markov 属性。

自回归树模型

首先，AR 模型的形式为

哪里是具有明显符号的正态分布。

也就是说，在每一次，一个值的概率均值“自动回归”取决于该系列的最后 p 个值。

ART 模型 是分段线性的 AR 模型，因此可以表示为树。每个非叶子是一个 bool 公式，每个叶子是一个 AR 模型。

这很简单:沿着树的分支操作取决于系列的过去值。每个叶子都是一个 AR 模型，用于预测下一个时间序列值。

AR 模型是一种退化的 ART 模型，其中有一个“ bool ”决策节点和一个叶 AR 模型。