编程语言
首页 > 编程语言> > 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新冠疫情新增人数时间序列预测

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新冠疫情新增人数时间序列预测

作者：互联网

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


    

  1. 
 
 

    2. 

  2. 
 
from numpy.random import seed

    3. 

  3. 
 
 

    4. 

  4. 
 
plt.plot(F[i], label = RD[i])

    5. 

  5. 
 
plt.show()

    6. 











    

  1. 
 
# 我们不需要前两列

    2. 

  2. 
 
d1=d1.iloc[:,2:]

    3. 





    

  1. 
 
# # 检查是否有空值

    2. 

  2. 
 
 

    3. 

  3. 
 
d1.isnull().sum().any()

    4. 







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)





    

  1. 
 
ne_ces = daiy_onme_as.diff().dropna().astype(np.int64)

    2. 

  2. 
 
newcaes

    3. 









plt.plot(ne_s[1:])





nw_s.shape


(153,)


将数据拆分为训练和测试数据


    

  1. 
 
 

    2. 

  2. 
 
ct=0.75

    3. 

  3. 
 
trin_aa,tet_aa = train_test_split(ne_ces, pct)

    4. 



(116,)


    

  1. 
 
plt.plot(tainta)

    2. 

  2. 
 
plt.plot(tesata)

    3. 







数据标准化


scaler = MinMaxScaler()



testa.shape 


(38, 1)


创建序列


    

  1. 
 
 

    2. 

  2. 
 
lentTe = len(ts_data)

    3. 

  3. 
 
for i in range(timmp, lenhTe):

    4. 

  4. 
 
X_st.append(tst_aa[i-tmStap:i])

    5. 

  5. 
 
y_tt.append(tesata[i])

    6. 

  6. 
 
 

    7. 

  7. 
 
X_tet=np.array(X_ts)

    8. 

  8. 
 
ytes=np.array(y_tt)

    9. 



X_st.shape










Xtrn.shape






    

  1. 
 
 

    2. 

  2. 
 
# 序列的样本

    3. 

  3. 
 
X_trn[0], yran[0]

    4. 



 


为股票价格预测设计 RNN 模型


模型：


    

  1. LSTM
    2. 

  2. GRU
    3. 



model.summary()


 


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


 


 




    

  1. 
 
 

    2. 

  2. 
 
yprd = (mod.predict(X_test))

    3. 

  3. 
 
MSE = mean_squared_error(ytue, y_rd)

    4. 

  4. 
 
 

    5. 

  5. 
 
plt.figure(figsize=(14,6))

    6. 







    

  1. 
 
meRU= Sqtal([

    2. 

  2. 
 
keras.layers.GRU(

    3. 

  3. 
 
 

    4. 

  4. 
 
 

    5. 

  5. 
 
 

    6. 

  6. 
 
 

    7. 

  7. 
 
model_GRU.fit(Xtrn, ytin,epochs=50,batch_size=150)

    8. 







    

  1. 
 
pe_rut = {}

    2. 

  2. 
 
 

    3. 

  3. 
 
y_ue = (y_et.reshape(-1,1))

    4. 

  4. 
 
y_prd = (modlGU.predict(X_test))

    5. 

  5. 
 
MSE = mean_squared_error(y_ue, ed)

    6. 







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


    

  1. 
 
#我们不需要前两列

    2. 

  2. 
 
df1.head()

    3. 

  3. 
 
daly_nfrd_cses = df1.sum(axis=0)

    4. 

  4. 
 
day_cnir_ase.index = pd.to_datetime(da_onieses.index)

    5. 

    

  1. 
 
new_cs = dacofmecss.diff().dropna().astype(np.int64)

    2. 

  2. 
 
 

    3. 

  3. 
 
tri_ta,tet_ata = trintt_it(nw_es, pct)

    4. 







    

  1. 
 
 

    2. 

  2. 
 
ero = men_squred_eror(ts_ar, pricos)

    3. 











    

  1. 
 
plt.figure(figsize=(12,7))

    2. 

  2. 
 
plt.plot(tanat)

    3. 











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


标签：plot,GRU,RNN,shape,循环,plt,序列,数据,预测	

来源： https://www.cnblogs.com/tecdat/p/16389266.html