Ja ich habe bereits ARIMA in Funken für uni verschiedene Zeitreihen angewendet.
public static void main(String args[])
{
System.setProperty("hadoop.home.dir", "C:/winutils");
SparkSession spark = SparkSession
.builder().master("local")
.appName("Spark-TS Example")
.config("spark.sql.warehouse.dir", "file:///C:/Users/abc/Downloads/Spark/sparkdemo/spark-warehouse/")
.getOrCreate();
Dataset<String> lines = spark.read().textFile("C:/Users/abc/Downloads/thunderbird/Time series/trainingvector_arima.csv");
Dataset<Double> doubleDataset = lines.map(line>Double.parseDouble(line.toString()),
Encoders.DOUBLE());
List<Double> doubleList = doubleDataset.collectAsList();
//scala.collection.immutable.List<Object> scalaList = new
Double[] doubleArray = new Double[doubleList.size()];
doubleArray = doubleList.toArray(doubleArray);
double[] values = new double[doubleArray.length];
for(int i = 0; i< doubleArray.length; i++)
{
values[i] = doubleArray[i];
}
Vector tsvector = Vectors.dense(values);
System.out.println("Ts vector:" + tsvector.toString());
//ARIMAModel arimamodel = ARIMA.fitModel(1, 0, 1, tsvector, true, "css-bobyqa", null);
ARIMAModel arimamodel = ARIMA.autoFit(tsvector, 1, 1, 1);
Vector forcst = arimamodel.forecast(tsvector, 10);
System.out.println("forecast of next 10 observations: " + forcst);
}
Dieser Code funktioniert für mich. Hier werden alle Werte, die Sie prognostizieren möchten, als Eingabedaten übergeben.
Sie könnten näher auf * "Spark hat lineare Regression und ich habe es versucht, aber ich habe keine befriedigenden Ergebnisse" * - der Link zu Sparks Algorithmus + was Sie bereits versucht haben und die Ergebnisse mit einer Notiz, wo sie nicht ' t erfüllen Sie Ihre Erwartungen. –
Bitte sieh dir das an. Fühlen Sie sich frei, dort zu kommentieren, ich habe Daten und Algorithmus hinzugefügt https://gist.github.com/codeAshu/2ebd84b1b48834fce89b – Rusty
Ich schaute auch auf diese Frage, aber _ "partitionBy" _ gibt mir Fehler [http://stackoverflow.com/questions/23402303/apache-spark-moving-average] – Rusty