进行预测时，为什么R 中的函数（使用神经网络）不能计算正确的结果，而（使用指数平滑）呢？nnetar()ets()
library(forecast)
df <- (1:14)
fit<-nnetar(df)
fc<-forecast(fit,h=10)
结果： 14.75729410 15.37348413 15.85274344 16.21147877 16.47188350 16.65653700 16.78524210 16.87385438 16.93433975 16.97538111
fit2 <- ets(df)
fc <- forecast(fit2,h=10)
结果：15 16 17 18 19 20 21 22 23 24
哪个是适合时间序列预测的神经元网络/函数？请考虑上面的例子只是一个简化的数据例子。
哪个是适合时间序列预测的神经网络/函数？请考虑，上述示例只是一个简化的数据示例。
好吧，这完全取决于您的数据。在您的示例数据中，您拥有
nnetar()
神经网络通常非常精通数据/数据饥渴。这意味着您需要大量数据来实施准确的预测。14 次观察绝对不够，您需要十或十万。一般来说，我不建议使用神经网络来预测单变量时间序列。神经网络的一个好处是它们可以捕获非线性，但您的数据不会表现出任何非线性。注意nnetar()使用前馈神经网络；在最近的时间序列预测中，许多研究人员使用循环神经网络而不是前馈神经网络。
您也可以阅读此讨论。据我所知nnetar()是基于这里的讨论
如果您打印fit，您将看到模型。它是 20 个不同神经网络的平均值，因此不是确定性的。
Series: df
Model: NNAR(1,1)
Call: nnetar(y = df)
Average of 20 networks, each of which is
a 1-1-1 network with 4 weights
options were - linear output units
sigma^2 estimated as 0.003636
ets()
此函数使用指数平滑。指数平滑模型需要较少的参数。因此，它们在您的小型数据集上表现更好。
仔细研究简单指数平滑方程可能会有所帮助：
在你的情况下和是0。
如果您打印fit2，您会看到信息标准都等于负无穷大，这表明没有比您选择的模型更好的模型。
ETS(A,A,N)
Call:
ets(y = df)
Smoothing parameters:
alpha = 0.5445
beta = 0.1009
Initial states:
l = 0
b = 1
sigma: 0
AIC AICc BIC
-Inf -Inf -Inf
这是因为数据生成过程是一个确定性模型。这是 ARIMA(0,1,1) 过程的特例，也称为指数平滑。因此，指数平滑模型会生成符合您预期的预测。自回归神经网络不模拟这种类型的过程。