Прогноз временных рядов с дополнительной функцией

Question

Допустим, я хочу предсказать, сколько людей пойдут в больницу.У меня уже есть исторические ежедневные объемы обращений людей в больницу, и простые нейронные сети (MLP) фиксируют это довольно хорошо.

Я хочу посмотреть, смогу ли я еще улучшить производительность, включив данные о погоде (например, мы быожидайте, когда погода состарится, больше людей может пойти в больницу).

Различные пакеты R, на которые я смотрю, не позволяют мне использовать вторую функцию помимо исходных данных временного ряда.

Любая рекомендация?

Answer 1

и простые нейронные сети (MLP) фиксируют это довольно хорошо.

На самом деле MLP не слишком хорошо справляется с проблемами временных рядов в целом.Статистические модели, такие как ARIMA или Exponential Smoothing, имеют тенденцию работать лучше, чем методы, основанные на NNet.В некоторых случаях LSTM может дать сопоставимую производительность статистическим методам, но AFAIK MLP плохо справляется с проблемами прогнозирования.

Различные пакеты R, на которые я смотрю, не позволяют мне использовать вторую функцию помимо исходных данных временного ряда.

Это неверно.Многие из пакетов R для прогнозирования допускают внешние регрессоры за пределами исходного временного ряда.Например, в auto.arima, tbats и nnetar вы можете включить их, добавив аргумент xregs в модель.

В BSTS и Пророке вы тоже можете.

Answer 2

Существует несколько методов прогнозирования временных рядов, когда у вас есть другие переменные, кроме самой временной переменной в R. Один из известных мне методов называется динамической линейной моделью.Вы можете использовать этот метод в пакете 'dynlm'.