如何用arima(0.1.1)(1.1.1)模型进行预测和模型检验r程序

arima模型全称为差分自回归移动平均模型:

arima模型是由博克思和詹金斯于70年代初提出的一著名时间序列预测方法，所以又称为box-jenkins模型、博克思-詹金斯法。

arima（p，d，q）称为差分自回归移动平均模型，乱槐AR是自回归,p为自回归项MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。

arima模型是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。

arima模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程、自回归过程、自回归移动平均过程以及ARIMA过程。

arima模型将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定虚氏的数学模型来近似描述这个序列。

这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。

现代统计方法、计量经济差陪散模型在某种程度上已经能够帮助企业对未来进行预测。

迭代初值不合适。

在非线性回归中，找到合适的迭代初值对于整个模型算法的收敛性拿灶而言至关重要。假如你设定的参数初值完全脱离了其潜在的取值范围，迭代早拦算法可能不收敛。陆敏胡

不能发链接，所以我复制过来了。

#载入程序裤扰高和数据

library(RSNNS)

data(iris)

#将数据顺序打乱

iris <- iris[sample(1:nrow(iris),length(1:nrow(iris))),1:ncol(iris)]

#定义网络输入

irisValues <- iris[,1:4]

#定义网络输出，并将数据进行格式转换

irisTargets <- decodeClassLabels(iris[,5])

#从中划分李盯出训练样本和检验样本

iris <- splitForTrainingAndTest(irisValues, irisTargets, ratio=0.15)

#数据标准化

iris <- normTrainingAndTestSet(iris)

#利用mlp命令执行前馈反向传播神经网络算法

model <- mlp(iris$inputsTrain, iris$targetsTrain, size=5, learnFunc="Quickprop", learnFuncParams=c(0.1, 2.0, 0.0001, 0.1),maxit=100, inputsTest=iris$inputsTest, targetsTest=iris$targetsTest)

#利用上面建立的模型进行预测

predictions <- predict(model,iris$inputsTest)

#生成混淆矩阵胡尺，观察预测精度

confusionMatrix(iris$targetsTest,predictions)

#结果如下：

#predictions

#targets 1 2 3

# 1 8 0 0

# 2 0 4 0

# 3 0 1 10

---