Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID

原文链接：http://tecdat.cn/?p=27042

原文出处：拓端数据部落公众号

该数据根据世界各国提供的新病例数据提供。

获取时间序列数据

df=pd.read_csv("C://global.csv")

探索数据

此表中的数据以累积的形式呈现，为了找出每天的新病例，我们需要减去这些值

df.head(10)

这些数据是根据国家和地区报告新病例的数据，但我们只想预测国家的新病例，因此我们使用 groupby 根据国家对它们进行分组

总结数据

执行 groupby 以根据一个国家的新病例来汇总数据，而不是根据地区

d1=df.groupby(['Country/Region']).sum()

描述随机选择的国家的累计新病例增长

from numpy.random import seed    plt.plot(F[i], label = RD[i])    plt.show()

# 我们不需要前两列d1=d1.iloc[:,2:]

# # 检查是否有空值d1.isnull().sum().any()

我们可以对每个国家进行预测，也可以对所有国家进行预测，这次我们对所有国家进行预测

dlycnmdcas.head()

dalycnfreces.index

dal_cnre_ces.index = pd.to_datetime(dailyonfrmd_as.index)

plt.plot(dalnimedases)

ne_ces = daiy_onme_as.diff().dropna().astype(np.int64)newcaes

plt.plot(ne_s[1:])

nw_s.shape

(153,)

将数据拆分为训练和测试数据

ct=0.75trin_aa,tet_aa = train_test_split(ne_ces, pct)

(116,)

plt.plot(tainta)plt.plot(tesata)

数据标准化

scaler = MinMaxScaler()

testa.shape 

(38, 1)

创建序列

lentTe = len(ts_data)for i in range(timmp, lenhTe):    X_st.append(tst_aa[i-tmStap:i])    y_tt.append(tesata[i])X_tet=np.array(X_ts)ytes=np.array(y_tt)

X_st.shape

Xtrn.shape

#  序列的样本 X_trn[0], yran[0]

为股票价格预测设计 RNN 模型

模型：

1. LSTM
2. GRU

model.summary()

model.fit(X_trn y_rin, epochs=50, batch_size=200)

yprd = (mod.predict(X_test))MSE = mean_squared_error(ytue, y_rd)plt.figure(figsize=(14,6))

meRU= Sqtal([                keras.layers.GRU(model_GRU.fit(Xtrn, ytin,epochs=50,batch_size=150)

pe_rut = {}y_ue = (y_et.reshape(-1,1))y_prd = (modlGU.predict(X_test))MSE = mean_squared_error(y_ue, ed)

用于预测新病例的机器学习算法

准备数据

d__in.shape

moel=LinearRegression(nos=-2)

ARIMA

COVID-19 新病例预测的自回归综合移动平均线

#我们不需要前两列df1.head()daly_nfrd_cses = df1.sum(axis=0)day_cnir_ase.index = pd.to_datetime(da_onieses.index)

new_cs = dacofmecss.diff().dropna().astype(np.int64)tri_ta,tet_ata = trintt_it(nw_es, pct)

ero = men_squred_eror(ts_ar, pricos)

plt.figure(figsize=(12,7))plt.plot(tanat)

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测