La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Prévisions directes
R2026aUtilisez la fonction directforecaster pour entraîner un modèle DirectForecaster avec des données de séries temporelles régulièrement échantillonnées. La fonction Statistics and Machine Learning Toolbox™ crée un modèle de prévision en plusieurs étapes qui utilise une stratégie directe où un modèle de régression distinct est entraîné pour chaque étape de l’horizon prévisionnel.
Après avoir créé un objet de modèle DirectForecaster, vous pouvez évaluer le comportement du modèle avec des données de test observées en utilisant les fonctions d’objet loss et predict. Vous pouvez ensuite utiliser le modèle pour effectuer des prévisions à des pas de temps ultérieurs aux données disponibles avec la fonction d’objet forecast.
Fonctions
compact | Reduce size of direct forecasting model (depuis R2023b) |
crossval | Cross-validate direct forecasting model (depuis R2023b) |
loss | Loss at each horizon step (depuis R2023b) |
predict | Predict response at time steps in observed test data (depuis R2023b) |
forecast | Forecast response at time steps beyond available data (depuis R2023b) |
preparedPredictors | Obtain prepared data used for training or testing in direct forecasting (depuis R2023b) |
cvloss | Loss for partitioned data at each horizon step (depuis R2023b) |
cvpredict | Predict response using cross-validated direct forecasting model (depuis R2023b) |
tspartition | Partition time series data for cross-validation (depuis R2022b) |
Objets
DirectForecaster | Fit direct forecasting model (depuis R2023b) |
CompactDirectForecaster | Compact direct forecasting model (depuis R2023b) |
PartitionedDirectForecaster | Cross-validated direct forecasting model (depuis R2023b) |
Rubriques
- Perform Time Series Direct Forecasting with directforecaster
Perform time series direct forecasting with the
directforecasterfunction. - Manually Perform Time Series Forecasting Using Ensembles of Boosted Regression Trees
Manually perform single-step and multiple-step time series forecasting with ensembles of boosted regression trees.