AutoTS 是一个自动化的时间序列预测库,可以使用简单的代码训练多个时间序列模型,此库的一些最佳功能包括:
-
利用遗传规划优化方法寻找最优时间序列预测模型。
-
提供置信区间预测值的下限和上限。
-
它训练各种各样的模型,如统计的,机器学习以及深度学习模型
-
它还可以执行最佳模型的自动集成
-
它还可以通过学习最优NaN插补和异常值去除来处理混乱的数据
-
它可以运行单变量和多变量时间序列
让我们以苹果股票数据集为例,更详细地了解一下:
Loading the package
from autots import AutoTS
import matplotlib.pyplot as plt
import pandas as pd
Reading the data
df = pd.read_csv(‘…/input/apple-aapl-historical-stock-data/HistoricalQuotes.csv’)
Doing some preprocessing
def remove_dollar(x):
return x[2:]
df[’ Close/Last’] = df[’ Close/Last’].apply(remove_dollar)
df[’ Close/Last’] = df[’ Close/Last’].astype(float)
df[‘Date’] = pd.to_datetime(df[‘Date’])
Plot to see the data:
df = df[[“Date”, " Close/Last"]]
df[“Date”] = pd.to_datetime(df.Date)
temp_df = df.set_index(‘Date’)
temp_df[" Close/Last"].plot(figsize=(12, 8), title=“Apple Stock Prices”, fontsize=20, label=“Close Price”)
plt.legend()
plt.grid()
plt.show()
model = AutoTS(forecast_length=40, frequency=‘infer’, ensemble=‘simple’, drop_data_older_than_periods=100)
model = model.fit(df, date_col=‘Date’, value_col=’ Close/Last’, id_col=None)
这将运行数百个模型。你将在输出窗格中看到运行的各种模型。让我们看看模型如何预测:
prediction = model.predict()
forecast = prediction.forecast
print(“Stock Price Prediction of Apple”)
print(forecast)
temp_df[’ Close/Last’].plot(figsize=(15,8), title= ‘AAPL Stock Price’, fontsize=18, label=‘Train’)
forecast[’ Close/Last’].plot(figsize=(15,8), title= ‘AAPL Stock Price’, fontsize=18, label=‘Test’)
plt.legend()
plt.grid()
plt.show()
更多详细信息可以查看 Github: https://github.com/winedarksea/AutoTS
官网文档: https://winedarksea.github.io/AutoTS/build/html/source/tutorial.html
3、Prophet
Prophet是Facebook研究团队开发的知名时间序列软件包,于2017年首次发布,适用于具有强烈季节性影响的数据和多个季节的历史数据。它具有高度的用户友好性和可定制性,只需进行最少的设置。
让我们看一个简单的例子:
Loading the library
import pandas as pd
import matplotlib.pyplot as plt
from fbprophet import Prophet
Loading the data from the repo:
df = pd.read_csv(“https://raw.githubusercontent.com/facebook/prophet/master/examples/example_wp_log_peyton_manning.csv”)
Fitting the model
model = Prophet()
model.fit(df) #fit the model.
Predict
future = model.make_future_dataframe(periods=730) # predicting for ~ 2 years
forecast = model.predict(future) # Predict future
Plot results
fig1 = model.plot(forecast) # Plot the fit to past data and future forcast.
fig2 = model.plot_components(forecast) # Plot breakdown of components.
plt.show()
forecast # Displaying various results in table format.
趋势图和季节性图如下所示:
我们还可以看到预测以及所有的置信区间
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上Python开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以添加V获取:vip1024c (备注Python)
最后
不知道你们用的什么环境,我一般都是用的Python3.6环境和pycharm解释器,没有软件,或者没有资料,没人解答问题,都可以免费领取(包括今天的代码),过几天我还会做个视频教程出来,有需要也可以领取~
给大家准备的学习资料包括但不限于:
Python 环境、pycharm编辑器/永久激活/翻译插件
python 零基础视频教程
Python 界面开发实战教程
Python 爬虫实战教程
Python 数据分析实战教程
python 游戏开发实战教程
Python 电子书100本
Python 学习路线规划
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
e_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA==,size_16,color_FFFFFF,t_70)
一个人可以走的很快,但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎扫码加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
[外链图片转存中…(img-5R8xQNFP-1712544802475)]