用于ARTXP时间序列预测算法和ARTXP理论的Python代码

Question

问题：连续变量值随时间推移的模型演变。

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

用于数据挖掘算法的Microsoft库实现了ARTXP，它是自回归树模型的一种变体。

算法如何运作？你有这个模型的Python实现吗？

Answer 1

我们可以参考this paper，并在下面的说明中总结方法。

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值序列。如果是概率分布或模型，我们将其限制为具有

形式的模型

模型是概率的，静止的，​​并且具有p-Markov属性。

自回归树模型

首先， AR模型的格式为

其中是正态分布，带有明显的符号。

也就是说，每次，值的概率意味着“自动回归地”依赖于该系列的最后p值。

ART模型是分段线性的AR模型，因此可以表示为树。每个非叶子是布尔公式，每个叶子是AR模型。

这很简单：沿树的分支操作取决于系列的过去值。然后每个叶子是用于预测下一个时间序列值的AR模型。

AR模型是退化的ART模型，其中存在一个“布尔”决策节点和一个叶子AR模型。