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=0.75 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：
- 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
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
