R中SVM单变量时间序列预测：如何获取y₁₀₁的一步超前预测？

嘿，我来帮你搞定这个问题！你说用SVM回归拟合时间序列后，预测返回了100个结果，这大概率是因为你没有给模型传入正确的预测输入，而是默认用训练数据做了预测，所以得到的是每个训练样本的拟合值，而不是你要的y₁₀₁。

下面我一步步给你讲怎么调整：

第一步：先搞对时间序列的监督学习结构 #

SVM是监督学习模型，得先把你的时间序列转换成「用过去的观测值当特征，预测下一个时刻的值」的格式。举个最简单的例子（用滞后1期预测）：
假设你的时间序列是ts_data，长度100：

# 构造训练特征：用第1到99个值，对应预测第2到100个值
train_features <- ts_data[1:99]
# 构造训练目标：第2到100个值，也就是每个特征对应的下一个时刻值
train_target <- ts_data[2:100]

如果你用的是多滞后阶数（比如AR(3)，用前3个值预测下一个），那特征要这么构造：

train_features <- cbind(
  lag1 = ts_data[1:97],
  lag2 = ts_data[2:98],
  lag3 = ts_data[3:99]
)
train_target <- ts_data[4:100]

第二步：正确拟合SVM回归模型 #

用e1071包的svm函数时，要明确指定回归类型（默认是分类，所以必须改！）：

library(e1071)
# 拟合epsilon-SVR模型，type指定为"eps-regression"
svm_model <- svm(x = train_features, y = train_target, type = "eps-regression")

第三步：构造一步预测的输入并预测 #

这是关键！要预测y₁₀₁，你得用最新的观测值构造和训练特征维度一致的输入：

• 如果是滞后1期的情况：

# 用第100个值作为预测输入
new_features <- ts_data[100]
# 得到y₁₀₁的预测值
y_101_pred <- predict(svm_model, newdata = new_features)

• 如果是AR(3)的情况：

# 用最后3个观测值构造输入，和训练特征的列数、列名一致
new_features <- data.frame(
  lag1 = ts_data[98],
  lag2 = ts_data[99],
  lag3 = ts_data[100]
)
y_101_pred <- predict(svm_model, newdata = new_features)

这样得到的就是单个的一步超前预测值，而不是100个结果啦！

为什么之前会返回100个结果？ #

大概率是你调用predict的时候没传newdata参数，或者传的是训练用的train_features——这时候模型会对每个训练样本做预测，返回的是训练目标（y₂到y₁₀₀）的拟合值，自然是一堆结果，不是你要的未来值。

内容的提问来源于stack exchange，提问作者NHB