用python实现ARIMA时间序列预测实例,python时间序列预测的方法
原文链接：http://tecdat.cn/? P=23544原文来源：拓端数据部落微信官方账号
下面是一个关于如何使用长期和短期记忆网络(LSTM)来拟合不稳定时间序列的例子。
年降雨量数据可能很不稳定。与温度不同，温度通常在四季中表现出明显的趋势，而降雨量作为一个时间序列可能相当不稳定。夏天的降雨量和冬天一样多是很常见的。
以下是2020年11月某地区降雨量的图解。
作为一个连续的神经网络，LSTM模型在解释时间序列的波动性方面具有优势。
使用Ljung-Box检验，P值小于0.05表明该时间序列的残差呈现随机模式，表明波动性明显。
Sm。统计数据。一个Corr _ Ljungbox (Res. Resid，LAGS=[10]) L Jung-box检验
迪基-富勒试验
数据操作和模型配置
这个数据集由722个月的降雨数据组成。
选取712个数据点进行训练和验证，即建立LSTM模型。然后，将过去10个月的数据作为检验数据，并与LSTM模型的预测结果进行比较。
以下是数据集的片段。
然后形成数据集矩阵，用过去的值对时间序列进行回归。
#形成I in range的数据集矩阵(len(df)-previous-1):a=df[I:(I previous)，0] datax。追加数据。append (df [I previous，0])然后用MinMaxScaler标准化数据。
将前面的参数设置为120，将建立训练和验证数据集。作为参考，previous=120表示模型使用t-120到t-1的过去值来预测时间t的降雨量值。
前一个参数的选择必须经过测试，但选择了120个时间段，以确保可以识别时间序列的波动性或极值。
#训练与验证数据的划分train _ size=int(len(df)* 0.8)val _ size=len(df)-train _ size train，val=df [0: train _ size，)，df [train _ size: len (df)，] #上期数prev
#将输入转换为[样本、时间步长、特征]。NP。reshape (x _ train，(shape [0]，1，shape [1]))模型训练和预测该模型以100个持续时间进行训练，指定712个批次的大小(等于训练和验证集中的数据点数)。
#生成LSTM网络模型=tf.keras.Sequential()#列出历史打印中的所有数据(history.history.keys())#汇总精度变化PLT . plot(history . history[ loss ])。下面是训练集和验证集的模型损失关系。
还生成了预测降雨量和实际降雨量之间的关系。
#绘制所有预测图表plt.plot(valpredPlot)
将预测结果与基于平均方向精度(MDA)、平均平方根误差(RMSE)和平均预测误差(MFE)的验证集进行比较。
mda(Y_val，预测)0.909090909090909091 MSE=mean _ squared _ error(Y _ val，预测)RMSE=sqrt(MSE)forecast _ error mean _ forecast _ error=NP . mean(forecast _ error)
MDA:0.909RMSE:48.5MFE:-1.77测试数据预测
尽管验证集的结果相当可观，但只有通过将模型预测与测试(或未看到的)数据进行比较，我们才能对LSTM模型的预测能力有合理的信心。
如前所述，过去10个月的降雨量数据被用作测试集。然后，利用LSTM模型对未来10个月的情况进行预测，并将预测结果与实际值进行比较。
t-120之前的值用于预测时间t的值
#测试(未知)预测NP . array([tseries . iloct series . iloc，t)并获得以下结果
MDA:0.8RMSE:49.57MFE:-6.94近10个月平均降雨量为148.93mm，预测精度表现出与验证集相近的性能，与整个测试集计算的平均降雨量相比误差很低。
结论在本例中，您看到了：
如何为LSTM模型准备数据，如何建立LSTM模型，如何检验LSTM预测的准确性，使用LSTM对不稳定时间序列建模的优势
最流行的观点
1.用于NLP的Python:使用Keras的多标签文本LSTM神经网络分类
2.使用长期和短期记忆模型LSTM在2。Python用于预测和分析时间序列——预测功耗数据
3.python使用Keras中的LSTM来解决序列问题
4.Python使用PyTorch机器学习分类预测银行客户流失的模型。
5.r语言多元Copula GARCH模型时间序列预测
6.用R语言的GAM(广义可加模型)分析电力负荷时间序列。
R语言的ARMA、ARIMA(Box-Jenkins)、SARIMA和ARIMAX模型用于预测时间序列的个数。
8.R语言估计时变VAR模型时间序列的实证研究与案例分析
9.广义加性模型GAM用于时间序列分析。
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。