NAR模型预测时间序列代码

NAR（Nonlinear AutoRegressive）模型是一种用于预测时间序列的非线性自回归模型。它基于过去的观测值来预测未来的值，并且可以捕捉到时间序列中的非线性关系。

以下是一个简单的NAR模型预测时间序列的代码示例：

import numpy as np
from sklearn.neural_network import MLPRegressor

# 生成示例时间序列数据
def generate_data():
    x = np.linspace(0, 10, 100)
    y = np.sin(x) + np.random.normal(0, 0.1, 100)
    return x, y

# 构建NAR模型
def build_nar_model(x, y):
    # 将时间序列数据转换为自回归形式
    lag = 5  # 自回归阶数
    X = []
    Y = []
    for i in range(len(y) - lag):
        X.append(y[i:i+lag])
        Y.append(y[i+lag])
    X = np.array(X)
    Y = np.array(Y)

    # 构建多层感知机回归模型
    model = MLPRegressor(hidden_layer_sizes=(10, 10), activation='relu', solver='adam', max_iter=1000)
    model.fit(X, Y)

    return model

# 预测未来的时间序列值
def predict_future_values(model, x, y):
    lag = 5  # 自回归阶数
    last_x = y[-lag:]  # 最后lag个观测值
    future_x = []
    for i in range(10):  # 预测未来10个时间步长的值
        future_y = model.predict([last_x])
        future_x.append(x[-1] + (x[1] - x[0]))  # 假设时间步长为常数
        last_x = np.concatenate((last_x[1:], future_y), axis=0)
    future_x = np.array(future_x)

    return future_x

# 主函数
def main():
    x, y = generate_data()
    model = build_nar_model(x, y)
    future_x = predict_future_values(model, x, y)
    print("预测未来的时间序列值：", future_x)

if __name__ == '__main__':
    main()

这段代码使用了Python的NumPy库和Scikit-learn库中的MLPRegressor类来构建NAR模型，并使用示例数据进行训练和预测。你可以根据自己的需求进行修改和扩展。