多元时间序列MLP结合tsCV交叉验证出现全NA结果求助
全NA误差的根因排查与修正
- 核心问题1:自定义预测函数参数顺序不符合tsCV接口规范
tsCV内部调用自定义预测函数时,固定传参顺序为f(x, h, xreg, ...):第一个参数是当前迭代的训练时间序列切片,第二个是预测时域h,第三个是外生变量矩阵。原代码中f的参数顺序为(xreg, y, h),会导致所有参数传值完全错位:训练序列被传入xreg形参、h被传入y形参、外生变量被传入h形参。mlp训练时输入标签为整数、特征为错位序列,训练逻辑完全失效,预测值自然全为NA。 - 核心问题2:外生变量长度与索引逻辑不匹配
tsCV迭代过程中需要用到从初始训练长度到序列末尾、以及对应时域长度的外生变量样本。原代码传入的xreg仅覆盖原序列长度120,当h=15时,部分迭代需要索引到130+行的样本,会触发越界返回NA。 - 核心问题3:mlp与forecast的维度适配问题
RSNNS训练的mlp对象调用forecast时,要求预测用xreg的列数与训练xreg完全一致。原代码中用matrix(X)强制转换xreg时,易丢失矩阵维度属性,触发维度校验失败返回NA。
修正后的可运行代码
library(forecast) library(RSNNS) # 外生变量总长度 = 原序列长度(120) + 最大预测时域(15),避免索引越界 xreg_full = cbind(seq(1, 135), seq(121, 255)) y <- as.ts(1:120) # 严格匹配tsCV要求的参数顺序定义预测函数 f <- function(x, h, xreg) { # 取与训练序列等长的外生变量切片,保留矩阵二维属性 train_xreg <- xreg[1:length(x), , drop = FALSE] # 取对应预测时域的外生变量切片 new_xreg <- xreg[(length(x)+1):(length(x)+h), , drop = FALSE] # 固定mlp训练参数,避免随机收敛波动 fit <- mlp(x, xreg = train_xreg, size = 5, maxit = 100) forecast(fit, xreg = new_xreg, h = h) } e_mlp <- tsCV(y = y, xreg = xreg_full, f = f, h = 15) mse_mlp <- colMeans(e_mlp^2, na.rm = TRUE)
避坑提示
- 不要把
ncol参数写入cbind()内部,cbind()本身会自动计算列数,额外传入的ncol会被识别为列值,造成维度错误。 - 若需调整初始训练长度,可通过tsCV的
initial参数指定,默认初始长度为序列总长度减去最大预测时域。 - 训练mlp时可通过
set.seed()固定随机种子,保证交叉验证结果可复现。
内容的提问来源于stack exchange,提问作者fly life
相关产品推荐
相关产品推荐

