说明：测试数据具有周期性特征（7天）
library(nnet)source <- c(10930,10318,10595,10972,7706,6756,9092,10551,9722,10913,11151,8186,6422,6337,11649,11652,10310,12043,7937,6476,9662,9570,9981,9331,9449,6773,6304,9355,10477,10148,10395,11261,8713,7299,10424,10795,11069,11602,11427,9095,7707,10767,12136,12812,12006,12528,10329,7818,11719,11683,12603,11495,13670,11337,10232,13261,13230,15535,16837,19598,14823,11622,19391,18177,19994,14723,15694,13248,9543,12872,13101,15053,12619,13749,10228,9725,14729,12518,14564,15085,14722,11999,9390,13481,14795,15845,15271,14686,11054,10395,14775,14618,16029,15231,14246,12095,10473,15323,15381,14947)for(i in 1:10){ #分轮预测最后十个数 dataLen <- length(source) – i #该轮测试数据集 real <- source[dataLen + 1] #实际值 xNum = (dataLen) %/% 7 #组数 yNum = 7 #每组7个数 data <- array(1 :(xNum * yNum), c(xNum, yNum)) pre = dataLen for(x in 1 : xNum){ #数组赋值 for(y in 1 : yNum){ data[x, y] = source[pre] pre = pre – 1 } if(pre < 7){ break } } ascData <- array(1 : (xNum * yNum), c(xNum, yNum)) #数组逆序 for(x in 1 : xNum){ for(y in 1 : yNum){ ascData[x, y] = data[xNum – x + 1, y] } } colnames(ascData) <- c("a","b","c","d","e","f","g") #每列列名 trainData<-data.frame(scale(ascData[, c(1 : 7)])) nn <- nnet(a~b+c+d+e+f+g, trainData[1:(xNum-1),], size=10, decay=0.01, maxit=1000, linout=F, trace=F) predict <- predict(nn, trainData[xNum,]) predict = predict * sd(ascData[,1]) + mean(ascData[,1]) percent <- (predict – real) * 100 / real res <- paste("预测值：",predict,"实际值：",real,"误差：",percent) print(res) }
第一次预测：
[1] "预测值： 14575.1350287356 实际值： 14947 误差： -2.48789035434786"[1] "预测值： 14564.0845492553 实际值： 15381 误差： -5.31119856150275"[1] "预测值： 9813.5726280941 实际值： 15323 误差： -35.9552788090185"[1] "预测值： 11368.0194667784 实际值： 10473 误差： 8.54597027383219"[1] "预测值： 15418.2163474166 实际值： 12095 误差： 27.4759516115473"[1] "预测值： 15123.5388034679 实际值： 14246 误差： 6.15989613553241"[1] "预测值： 16059.771373612 实际值： 15231 误差： 5.44134576595118"[1] "预测值： 14369.1727184095 实际值： 16029 误差： -10.3551517973077"[1] "预测值： 14772.465408013 实际值： 14618 误差： 1.05667949112772"[1] "预测值： 9043.33120180563 实际值： 14775 误差： -38.7930206307571"第二次预测：[1] "预测值： 14642.415790076 实际值： 14947 误差： -2.03776149009185"[1] "预测值： 14477.8210850479 实际值： 15381 误差： -5.87204287726449"[1] "预测值： 9861.94237828068 实际值： 15323 误差： -35.6396111839674"[1] "预测值： 11369.1672070958 实际值： 10473 误差： 8.55692931438747"[1] "预测值： 15419.1446478315 实际值： 12095 误差： 27.4836266873212"[1] "预测值： 15126.2916871806 实际值： 14246 误差： 6.17922004198079"[1] "预测值： 16059.699750677 实际值： 15231 误差： 5.44087552148231"[1] "预测值： 14369.1371979859 实际值： 16029 误差： -10.355373398304"[1] "预测值： 14772.4626692104 实际值： 14618 误差： 1.05666075530422"[1] "预测值： 9044.18840033801 实际值： 14775 误差： -38.7872189486429"
第三次预测：
[1] "预测值： 14575.1720964241 实际值： 14947 误差： -2.48764236017837"[1] "预测值： 14490.6672087037 实际值： 15381 误差： -5.78852344643614"[1] "预测值： 9805.73876255179 实际值： 15323 误差： -36.0064036901926"[1] "预测值： 11368.0667648788 实际值： 10473 误差： 8.54642189323791"[1] "预测值： 15422.2708856613 实际值： 12095 误差： 27.5094740443269"[1] "预测值： 15123.5520814093 实际值： 14246 误差： 6.15998934023089"[1] "预测值： 16059.8131034466 实际值： 15231 误差： 5.44161974556236"[1] "预测值： 14360.0319673611 实际值： 16029 误差： -10.4121781311303"[1] "预测值： 14771.4816606555 实际值： 14618 误差： 1.049949792417"[1] "预测值： 9044.31285364907 实际值： 14775 误差： -38.7863766250486"
，对的，坚持;错的，放弃!
