的多变量时间序列预测 gamma多变量时间序列 matl...)
基于线性伽马分布回归模型(gamma)的多变量时间序列预测 gamma多变量时间序列 matlab代码 注：暂无Matlab版本要求 -- 推荐 2018B 版本及以上
在处理多变量时间序列预测问题时，线性伽马分布回归模型（Gamma Regression）是个容易被忽视但实际效果不错的工具。这玩意儿特别擅长处理非负且存在异方差性的数据——比如销量预测、电力负荷这类具有明显波动规律的数据场景。今天咱们用Matlab来实操一把，重点不是推导公式，而是看看怎么让代码和业务场景发生化学反应。
先扔个数据模拟的例子热热身。假设我们要预测某个城市的共享单车日订单量，影响因素包括天气指数、地铁客流、促销活动三个变量：
% 生成模拟数据 rng(2023); % 固定随机种子 n = 365; % 一年数据 weather = 0.2*randn(n,1) + 0.5; % 标准化天气指数 subway = poissrnd(2000, n,1) + 0.1*weather*1000; % 地铁客流与天气正相关 promo = randi([0 1],n,1); % 是否促销 y = 5 + 3*weather + 0.005*subway + 15*promo + gamrnd(2,3,n,1); % 伽马分布响应变量 data = table(weather, subway, promo, y);这里有个细节：生成目标变量y时用了gamrnd函数，刻意让误差项符合伽马分布。重点看参数gamrnd(2,3,...)，其中形状参数2决定了分布的偏态程度——这直接影响了后续模型的拟合效果。
建模的关键在于特征工程。时间序列预测必须考虑滞后项，比如用前三天的数据预测明天：
% 创建滞后特征 lag_vars = {'y', 'weather', 'subway'}; lags = 1:3; % 滞后三期 data_lag = lagmatrix(data{:,lag_vars}, lags); data_lag(any(isnan(data_lag),2),:) = []; % 清理缺失值 % 合并特征矩阵 final_data = [data{(max(lags)+1):end, :}, array2table(data_lag)];这里有个坑：直接用lagmatrix生成的滞后矩阵会包含NaN，必须手动清理。更严谨的做法是用移动窗口验证，但咱们先跑通流程再说核心代码：
model = fitglm(final_data, 'y ~ weather + subway + promo + y_1 + y_2 + weather_2',... 'Distribution', 'gamma', 'Link', 'log'); disp(model)注意这里的公式语法：y_1表示y的一阶滞后项。重点参数是'Distribution'设置为gamma，以及链接函数选log——这可不是随便选的。伽马分布的期望值必须为正，log链接能保证预测值始终大于0，避免出现"负订单量"这种反常识的结果。
模型诊断环节容易被忽视。除了看R-squared，更要检查残差的分布是否符合假设：
% 残差诊断 res = model.Residuals.Raw; figure; subplot(1,2,1); qqplot(res); title('QQ图检验') subplot(1,2,2); scatter(model.Fitted, res); xlabel('预测值'); ylabel('残差'); title('异方差检验')如果QQ图上的点明显偏离直线，或者残差随着预测值增大而发散，说明可能需要调整链接函数或添加交互项。这时候别死磕，试试Box-Cox变换或者切分样本时段验证模型稳定性。
预测新数据时，要特别注意特征的时间对齐问题。假设要预测t+1时刻：
% 模拟新输入 new_weather = 0.6; new_subway = 2300; new_promo = 1; last_two_days = final_data{end-1:end, contains(final_data.Properties.VariableNames, 'y_')}; % 构造预测用表格 new_data = table(new_weather, new_subway, new_promo,... 'VariableNames', {'weather','subway','promo'}); new_data = [new_data, array2table(last_two_days(2,:))]; % 添加滞后特征 pred_y = predict(model, new_data); fprintf('预测值: %.2f\n', pred_y);这里有个骚操作：手动拼接历史滞后特征。生产环境中最好封装成函数自动维护滑动窗口，避免手工操作导致特征错位。
最后说点实战经验：伽马回归对异常值比线性回归敏感，遇到促销日或极端天气时，建议用分位数回归做结果对比。当变量超过10个时，考虑用LASSO做特征选择防止过拟合——Matlab里用lassoGlm就能实现，把分布参数改成gamma就行。
这种模型最适合中等规模数据（万级以下样本），既能保持计算速度，又比单纯用ARIMA这类传统时序模型更灵活。下次遇到波动剧烈的业务指标时，不妨先试试这个"伽马刀"，说不定有惊喜。
