简单回归之电表预测

前言

以下内容是在学习过程中的一些笔记，难免会有错误和纰漏的地方。如果造成任何困扰，很抱歉。

一、场景描述

描述：这里可以添加本文要记录的大概内容

通过获取当月每天的电表能耗数据，以此来推算未来的每一天的电表数据情况，首先看看实际效果图

这里面包含了三条数据线

• 训练数据 - 蓝色
• 测试核准数据 - 橙色
• 预测值 - 绿色

这里面的预测数据还是有些虚高，主要还是因为维度过低以及数据量过少的缘故，但是从轨迹上看大致还行，在训练数据集越庞大的情况下预测的数据值会更加的准确。

这里面借鉴网友的代码采取了两种方案：

1. 自回归移动平均预测模型
2. 季节性预测模型

但是数据维度太低了，目前的自变量及因变量只有时间和能耗数据值，所以最终还是选择了自回归移动平均模型。

二、落地实践

描述：这里可以添加本文要记录的大概内容

首先我们将步骤分离为如下几个部分

1. 相关库引入

   import pandas as pd
   import matplotlib.pyplot as plt
   import statsmodels.api as sm
   

2. 数据集引入

   # 数据集导入
   df = pd.read_csv('能耗数据01.csv', nrows=33)
   

3. 数据集分类，训练集 or 测试集 - 训练集是给机器学习用，测试集是为了看预测值准不准

   # 训练集 / 测试集
   train = df[0:20]
   test = df[20:]
   

4. 数据格式处理

   # 时间戳格式处理
   df['Timestamp'] = pd.to_datetime(df['Datetime'], format='%Y/%m/%d')
   df.index = df['Timestamp']
   df = df.resample('D').mean()
   
   train['Timestamp'] = pd.to_datetime(train['Datetime'], format='%Y/%m/%d')
   train.index = train['Timestamp']
   train = train.resample('D').mean()
   
   test[