原文链接：http://tecdat.cn/?p=27363
本文在绝对简略的数据集上摸索不同的工夫序列技术。
给定 5 年的商店商品销售数据，并要求您预测 10 家不同商店的 50 种不同商品在 3 个月内的销售额。
解决季节性的最佳办法是什么？商店应该独自建模，还是能够将它们合并在一起？
商店我的项目需求预测
自回归综合挪动平均线 (ARIMA)
这 ARIMA 模型是可利用于非安稳工夫序列的 ARMA 模型的推广。
import time
import pandas as pd
%matplotlib inline加载数据
d\_trn = pd.rad\_csv('../inuraicsv, prse\_tes=date'\], inx\_col\['te'\])
d\_ts = pd.ra\_csv'../iputst.csv', prse\_des=\['date'\], ine\_col\['d
所有商店仿佛都显示出雷同的趋势和季节性。
ARIMAX
带解释变量的自回归综合挪动平均线 (ARIMAX) 是 ARIMA 的扩大版本，其中包含独立的预测变量。
筹备数据
mnths = df_rinindx.nth
df_ran.drpna(iplac=True)
d_trin.head()
import datetime
dumymns = pd.get_dummies(moth)
prev\_uate\_dates = d\_tet\_x.index - datie.timedelta(das=91)
dfetex.head()
构建模型
si1 = d\_rin.loc\[(d\_tin\['store'\] == 1) & (_tran\['ie'\] == 1), 'ses'\]
exog\_s1i1 = df\_train.loc\[(df\_train\['store'\] == 1) & (df\_train\['item'\] ==
ax = SARIMAX(si1.loc\['2013-12-31':\], exog=exog
nfoceinvetiblity=alse,enforce_ationarity=False,
作出预测
nog = df\_rai.loc\[(ftrin\['str'\] == s) & (df\_rin\['te'\] == i), 'als'\]
SARIMAX(endog=edog exog=xo,
enorce\_invtiilit=False, eorce\_statnarityFalse, freq='D',
order=(7,0,0)).fit()
tc = time.time()
示例预测
xg = f\_rin.loc\[(df\_rin\[ste'\] == 10) & (d_tri\['itm'\] == 50)\].drop(\['', 'ite', 'sas'\], axis=1)
forast = arax.predict
最受欢迎的见解
1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测
2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析
3.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-19 新冠疫情新增人数工夫序列
4.Python TensorFlow 循环神经网络 RNN-LSTM 神经网络预测股票市场价格工夫序列和 MSE 评估准确性
5.r 语言 copulas 和金融工夫序列案例
6.R 语言用 RNN 循环神经网络、LSTM 长短期记忆网络实现工夫序列长期利率预测
7.Matlab 创立向量自回归（VAR）模型剖析消费者价格指数 (CPI) 和失业率工夫序列 和失业率工夫序列 ”)
8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类
9.R 语言联合新冠疫情 COVID-19 股票价格预测：ARIMA，KNN 和神经网络工夫序列剖析