共计 2083 个字符，预计需要花费 6 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=27042
该数据依据世界各国提供的新病例数据提供。
获取工夫序列数据
df=pd.read_csv("C://global.csv")摸索数据
此表中的数据以累积的模式出现，为了找出每天的新病例，咱们须要减去这些值
df.head(10)
这些数据是依据国家和地区报告新病例的数据，但咱们只想预测国家的新病例，因而咱们应用 groupby 依据国家对它们进行分组
总结数据
执行 groupby 以依据一个国家的新病例来汇总数据，而不是依据地区
d1=df.groupby(\['Country/Region'\]).sum()
形容随机抉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()
# 咱们不须要前两列
d1=d1.iloc\[:,2:\]
# # 查看是否有空值
d1.isnull().sum().any()
咱们能够对每个国家进行预测，也能够对所有国家进行预测，这次咱们对所有国家进行预测
dlycnmdcas.head()
dalycnfreces.indexdal\_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=0.75
trin\_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)创立序列
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：
-
LSTM
-
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
筹备数据
d__in.shape
moel=LinearRegression(nos=-2)
ARIMA
COVID-19 新病例预测的自回归综合挪动平均线
# 咱们不须要前两列
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. 应用 r 语言进行工夫序列（arima，指数平滑）剖析
4.r 语言多元 copula-garch- 模型工夫序列预测
5.r 语言 copulas 和金融工夫序列案例
6. 应用 r 语言随机稳定模型 sv 解决工夫序列中的随机稳定
7.r 语言工夫序列 tar 阈值自回归模型
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.python3 用 arima 模型进行工夫序列预测
正文完