我正在尝试使用我的数据集，但它给了我非常奇怪的结果：Example of Time Series Prediction using Neural Networks in R
你知道为什么会这样吗？
这是我的源代码：
require(quantmod)
require(nnet)
require(caret)
series = read.csv("data.csv")
model <- train(y ~ x1+x2 , series, method='nnet', linout=TRUE, trace = FALSE)
series["o"] <- predict(model, series)
plot.ts(series)
write.csv(series, paste(format(Sys.time(), "%Y%m%d%I%p"), "csv", sep = "."))
这是我的数据集：
3938 1317 4021 10477 9379 7707 9507 4194 2681 3522 5599 5641 6737 7781 2044 1501 6586 4915 5918 6132 9394 2113 935 9729 5236 8815 3169 5888 5722 191 9539 3384 6006 7139 7285 136 1843 5094 3795 5985 5566 3545 965 14 3738 4645 8439 6390 13842 7754 11440 7572 4876 3206 5577 2734 1169 20 5049 6612 2685 7000 6711 4091 26 5383 5516 7185 6118 4484 2178 754 8104 8209 6159 11137 8994 5172 425 8082 5337 5712 7157 6385 3343 4196 5957 8581 3686 0 254 1819 1071 876 3509 2777 1474 4945 3971 21 5466 5509 1316 5653 2775 797 22 5601 6177 5662 5132 6543 1700 4361 6951 7734 3451 5385 6358 6838 19 6460 5813 6839 6335 2105 8 6 9530 1250 5668 5595 6008 2315 1712 8553 5570 5979 4818 6745 5250 43 5727 7416 5888 6270 4931 0 31 6190 11164 5768 7307 5412 2716 35 8391 6054 2796 5081 6646 4597 1978年 7570 5909 9581 3571 6740 1702 1080 6719 963 6781 7544 7708 1993年 597 2394 5516 12966 723 6528 2476 86 5956 5820 6995 6682 2460 2479 56 7095 7255 6310 9971 3725 5400 452 6018 5803 6673 6098 9476 692 20 7855 11970 10557 5696 7765 3847 47 6020 6037 5684 7089 6372 970 861 3590 7672 3730 10689 9428 1514 2062 6154 5234 6160 5134 879 1079 9164 6338 6687 8195 6351 1123 4216 3759 9372 7782 3143 4773 6993 849 906 6385 7512 8824 8150 12464 7726 8745 13594 6589 6524 2784 0 1785 688 7998 6797 8289 10815 10280 4839 3928 10935 4588 5785 6771 7628 2908 11391 6637 5585 7454 5828 8259 6644 2436 7055 7206 7873 7368 6239 3595 3166 1846年 2301 21 1600 2390 1894年 1469 9097 8401 2034 3244 8811 2979 20 7808 7698 11031 4556 7149 3745 5563 9673 8149 12158 7043 6273 1855年 80 10729 5880 9327 6343 7227 3522 1244 6382 7186 4964 6162 7435 10524 2449 7437 11970 6661 6122 7323 6707 25 2270 5117 6676 5317 7032 7689 4891 8051 5699 4927 11553 6418 2968 11338 7662 9976 5526 14341 4331 10026 1672 5199 4699 7774 7958 7720 2499 10745 19609 15896 5705 6207 7699 2543 32 3642 6307 7491 6236 8644 2121 1448 7838 5434 5945 6074 6962 5441 42 7424 5818 8877 5743 7980 3140 3046 8329 8186 5994 2931 7309 862 145 8141 6252 9536 6213 7150 2718 1687 5000 6068 5918 10652 12257 1505 2421 10518 2368 7341 8137 7997 3437 2009年 5468 3947 5836 8567 11039 3726 746 3417 8649 8016 7652 8298 1306 4031 5525 6203 11847 7688 10911 1080 1001 12315 6084 6529 4074 8526 3161 2184 7400 4916 4521 1523 398 1364 925 38 2580 1039 6556 2040 1166 825 7672 7177 6104 7928 6240 1420 1214 10638 10726 2323 6113 8112 2757 3761 6982 5680 7793 8983 8546 1335 817 6136 3778 6639 6548 6120 3648 584 9099 6434 8828 9988 6066 2575 2237 5114 5879 4094 9309 8008 1614 4307 5801 8006 6344 4803 10904 1339 411 8468 6945 5471 8828 4157 1134 1071 5542 2213 5633 9245 2145 4901 39 10430 7941 6189 7985 8296 614 894 6236 1704 4257 7707 8388 1050 855 9352 4801 7088 8466 470 2433 1036 392 2169 84 5316 8339 4272 2617 1840 7254 5999 6178 4563 3370 756 2773 6610 8967 6182 7452 2570 1443 6537 5338 9158 3870 12036 3574 864 10135 5595 8643 2287 9918 2484