时间序列-BP神经网络及与auo arima的比较

最新推荐文章于 2024-07-15 03:54:01 发布

哎呦-_-不错

最新推荐文章于 2024-07-15 03:54:01 发布

阅读量2.4k

点赞数 1

分类专栏：时间序列文章标签：神经网络 tensorflow 时间序列

本BLOG上原创文章未经本人许可，不得用于商业用途，转载请注明出处。

本文链接：https://blog.csdn.net/weixin_46649052/article/details/109637374

版权

本文探讨了使用BP神经网络进行时间序列预测，并将其与传统ARIMA模型进行了比较。通过实验，BP神经网络在rmse=0.3884的情况下，表现优于ARIMA。接下来，作者将调整BP神经网络的结构以进一步提升预测效果。

摘要由CSDN通过智能技术生成

文章目录

- - BP神经网络
  - - 数据格式
    - 代码部分

auto arima代码部分

rolling_size = 2000,test_size = 1000

这已经算是经过尝试后的局部最优，rmse=0.3884

BP神经网络

BP神经网络理论及代码部分

数据格式

在这里插入图片描述

代码部分

#!usr/bin/env python
# -*- coding:utf-8 _*-
"""
@author: liujie
@software: PyCharm
@file: BP1.py
@time: 2020/11/8 21:57
"""
import warnings
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow import keras
from sklearn.preprocessing import StandardScaler
from tensorflow.keras import layers,optimizers
from sklearn.metrics import mean_squared_error as MSE

# 读取数据
def read_data(datapath):
    # read data
    data1 = pd.read_csv(datapath,index_col=0)
    # 填充或者删去
    data1.fillna(method='pad',inplace=True)      # 填充
    # data.dropna(inplace = True)                 # 删去
    return data1

# 分割数据
def splitdata(data,Sequence_length,horizon):
    all_data = []
    for dta in range(len(data) - sequence_length -horizon + 1):
        all_data.append(data[dta : dta + sequence_length])

    all_data = np.array(all_data)
    ydata = data[(horizon + sequence_length -1) :]
    ydata = list(ydata)

    # 加入y变量
    all_data = pd.DataFrame(all_data)
    all_data['y']