预测时间序列最基本的方法是预测时间t+1的值与时间t的值完全一样,有效地将时间序列移动一个周期。
这里有一些方法来度量预测的准确率,本节关注两种方法:均方误差(MSE)和平均绝对误差(MAE)。
对于MSE,你可以简单获取在时间t的预测值和实际值之间的差,对它取平方(来去除负值),然后找到所有值的平均值。
对于MAE,你可以计算在时间t的预测值和实际值之间的差,取它的绝对值来去除负值(而不是取平方),并且找到所有值的平均值。
print(keras.metrics.mean_squared_error(x_valid, naive_forecast).numpy())
print(keras.metrics.mean_absolute_error(x_valid, naive_forecast).numpy())
移动平均值:不只从t-1获取值,它获取一组值(比如,30),取它们的平均值,然后将平均值设置为时间t的预测值。
提升移动平均值分析:既然在这个时间序列中季节性是365天,你可以通过使用一种叫作差分的方法来平滑趋势和季节性,差分只是将在t的值减去在t-365的值。通过实验可以看出在预测值上有一个提升:趋势线与实际值非常接近了,预测有明显的提升!