Урок 5: Регрессоры с запаздыванием
Задержанные регрессоры используются для корреляции других наблюдаемых переменных с нашим целевым временным рядом. Например, температура предыдущих дней может быть хорошим предиктором температуры следующего дня.
Они часто упоминаются как экзогенные переменные или как ковариаты. В отличие от будущих регрессоров, будущее запаздывающего регрессора нам неизвестно.
На момент времени t прогнозирования, у нас есть доступ только к их наблюдаемым значениям в прошлом, включая период до t − 1.
Сначала загружаем новый набор данных, который также содержит данные о температуре.
ds | y | temperature | |
---|---|---|---|
0 | 2015-01-01 | 64.92 | 277.00 |
1 | 2015-01-02 | 58.46 | 277.95 |
2 | 2015-01-03 | 63.35 | 278.83 |
3 | 2015-01-04 | 50.54 | 279.64 |
4 | 2015-01-05 | 64.89 | 279.05 |
Из данных мы видим, что существует слабая обратная связь между ценой на электроэнергию и температурой. Мы начинаем с нашей модели из предыдущего урока, а затем добавляем температуру как запаздывающий регрессор в нашу модель.
Мы видим, что температура влияет на прогнозируемую цену на несколько единиц. По сравнению с общими колебаниями цен, влияние температуры кажется незначительным, но не неважным.
Модель учится различным весам для каждого из лагов, что также может отражать изменения в направлении температуры.
Давайте исследуем, как улучшилась наша модель после добавления лагового регрессора.
MAE | RMSE | Loss | RegLoss | epoch | |
---|---|---|---|---|---|
172 | 4.936666 | 6.578746 | 0.00533 | 0.0 | 172 |
Last updated