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.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：

  2. LSTM

  4. 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