基于机器学习的时间序列预测
文章平均质量分 80
时间序列预测,人工智能,神经网络
日拱一两卒
日拱一卒无有尽、功不唐捐终入海
展开
-
时间序列预测基础教程系列(11)_时间序列转换为监督学习型(单变量,多变量/一步,多步)(Python)
如何将时间序列转换为Python中的监督学习问题在可以使用机器学习之前,必须将时间序列预测问题重新构建为监督学习问题。从序列到输入和输出序列对。在本教程中,您将了解如何将单变量和多变量时间序列预测问题转换为监督学习问题,以便与机器学习算法一起使用。完成本教程后,您将了解:如何开发将时间序列数据集转换为监督学习数据集的函数。 如何转换用于机器学习的单变量时间序列数据。 如何转换多...翻译 2018-12-26 17:27:50 · 3888 阅读 · 13 评论 -
时间序列预测基础教程系列(10)_快速掌握时间序列预测的7节迷你课(Python)
7天时间让你变成“时间序列预测”模型开发人员在这个迷你课程中,您将了解如何入门,构建准确的模型,并在7天内使用Python自信地完成预测建模时间序列预测项目。这是一个很重要的导航帖子。您或许应该把本文加入书签。迷你课程概述:这个课程分为7节课。您可以每天完成一节课(推荐)或在一天内完成所有课程(困难)。这取决于你有空的时间和你的热情程度。第01课:时间序列作为监督学习。 第0...原创 2018-12-24 23:01:12 · 1451 阅读 · 1 评论 -
时间序列预测基础教程系列(9)_一个完整的python时间序列预测示例(Python)
在本教程中,您将了解如何使用Python预测法国香槟的月销售额。完成本教程将为您提供一个框架,用于完成您自己的时间序列预测问题的步骤和工具。完成本教程后,您将了解:如何确认您的Python环境并仔细定义时间序列预测问题。 如何创建测试工具来评估模型,开发基线预测,并使用时间序列分析工具更好地理解您的问题。 如何开发自回归集成移动平均模型,将其保存到文件中,然后加载它以对新时间步骤进...原创 2018-12-24 22:26:07 · 8841 阅读 · 25 评论 -
时间序列预测基础教程系列(8)_如何使用自回归综合移动平均线(ARIMA)模型进行时间序列预测(Python)
ARIMA模型是一种流行且广泛使用的时间序列预测统计方法。ARIMA是AutoRegressive Integrated Moving Average的缩写。它是一类模型,它捕获时间序列数据中的一套不同的标准时间结构。在本教程中,您将了解如何使用Python为时间序列数据开发ARIMA模型。完成本教程后,您将了解:关于ARIMA模型使用的参数和模型所做的假设。 如何使ARIMA模...翻译 2018-12-18 22:37:27 · 7686 阅读 · 3 评论 -
时间序列预测基础教程系列(7)_如何用自回归模型(AR)预测时间序列预测(Python)
用Python进行时间序列预测的自回归模型自回归是一个时间序列模型,它使用以前时间步的观察值作为回归方程的输入,以预测下一个时间步的值。这是一个非常简单的想法,可以对一系列时间序列问题进行准确的预测。在本教程中,您将了解如何使用Python实现时间序列预测的自回归模型。完成本教程后,您将了解:如何探索自相关的时间序列数据。 如何开发自相关模型并用它来进行预测。 如何使用开发...翻译 2018-12-18 21:07:44 · 29045 阅读 · 15 评论 -
时间序列预测基础教程系列(6)_如何用Python进行时间序列预测的Baseline(基线)预测
导读:什么是基线预测,基线预测有什么用呢?1、首先将数据按照一定的方法转换为监督学习数据。2、其次构建一个数据间的对应函数关系,也叫做数据的持久化。这种映射关系的构建往往是基于我们的经验或者对数据的预处理。3、然后使用训练数据对模型进行训练,得到一个预测模型。再用这个模型对未来数据进行预测。4、最后将预测值和真实值进行残差比较,得出预测值和真实值之间的差异,或者损失,这就是一个...翻译 2020-10-24 10:19:08 · 4711 阅读 · 10 评论 -
时间序列预测基础教程系列(5)_Python中数据可视化方法汇总
有时数据没有意义,直到您可以用视觉形式查看,例如图表和图表。能够为自己和他人快速可视化数据样本是应用统计和应用机器学习的重要技能。在本教程中,您将发现在Python中可视化数据时需要了解的五种类型的图表以及如何使用它们来更好地理解您自己的数据。完成本教程后,您将了解:如何使用条形图绘制带有线图和分类数量的时间序列数据。 如何使用直方图和箱形图汇总数据分布。 如何用散点图总结变量...翻译 2018-12-15 21:27:13 · 1471 阅读 · 0 评论 -
时间序列预测基础教程系列(4)_机器学习中如何加载时间序列数据(Python)
Python中的Pandas库为时间序列数据提供了出色的内置支持。加载后,Pandas还提供了探索和更好地理解数据集的工具。在本文中,您将了解如何加载和浏览时间序列数据集。完成本教程后,您将了解:如何使用Pandas从CSV文件加载时间序列数据集。 如何查看加载的数据并计算摘要统计信息。 如何绘制和查看时间序列数据。每日女性出生数据集在这篇文章中,我们将以每日女性出生数据...翻译 2018-12-15 20:21:57 · 1831 阅读 · 1 评论 -
时间序列预测基础教程系列(3)_机器学习中的 无监督学习,有监督学习,半监督学习
什么是监督机器学习?它与无监督机器学习有什么关系?在这篇文章中,您将发现有监督的学习,无监督学习和半监督学习。阅读这篇文章后你会知道:关于分类和回归监督学习问题。 关于聚类和关联无监督学习问题。 用于监督和非监督问题的示例算法。 存在于有监督和无监督学习之间的问题称为半监督学习。监督机器学习大多数实际机器学习使用监督学习。监督学习是输入变量(x)和输出变量(Y)的地方,您可...翻译 2018-12-15 15:47:48 · 2290 阅读 · 0 评论 -
时间序列预测基础教程系列(2)_用构建监督学习型数据进行时间序列预测
时间序列预测可以被视为监督学习问题。通过重新构建时间序列数据,您可以访问针对您的问题的标准线性和非线性机器学习算法套件。在这篇文章中,您将了解如何重新构建时间序列问题,作为机器学习的监督学习问题。阅读这篇文章后,你会知道:什么是监督学习,以及它是如何成为所有预测建模机器学习算法的基础。 用于构建时间序列数据集的滑动窗口方法以及如何使用它。 如何使用滑动窗口进行多变量数据和多步预测。...翻译 2018-12-14 17:34:59 · 2204 阅读 · 3 评论 -
时间序列预测基础教程系列(1)_什么是时间序列预测
时间序列预测是机器学习的一个重要领域,往往被忽视。这很重要,因为有很多涉及时间成分的预测问题。这些问题被忽略了,因为正是这个时间组件使得时间序列问题更难以处理。在这篇文章中,您将发现时间序列预测。阅读这篇文章后,你会知道:时间序列,时间序列分析和时间序列预测的标准定义。 时间序列数据中要考虑的重要组成部分。 时间序列的例子,使您的理解具体化。时间序列普通机器学习数据集是观...翻译 2018-12-14 17:05:13 · 3375 阅读 · 6 评论 -
LSTM网络预测系列(python)_大结局(内含学习目录)
长短期记忆(LSTM)系列_LSTM的特性学习章节结构图:到此,长短期记忆(LSTM)系列专题就结束了本专题系统的讲解了LSTM预测的方法,并给出了多个预测实例,供大家啊学习研究。本专题全部文章链接如下1.LSTM数据准备部分链接:长短期记忆(LSTM)系列_LSTM的数据准备(7)——总结(完结)2.LSTM建模方法部分:长短期记忆(LSTM)系列_LST...原创 2018-12-14 16:11:42 · 3027 阅读 · 2 评论 -
LSTM系列_LSTM的特性学习(3)——如何构建“序列 —>序列”(多对多)的LSTM网络模型
导读:文中提到了回声序列,回声序列是一个数列自身数据之间构建了映射关系本文演示了如何生成一个随机序列,并且转化成热编码,并且将其构建成一个有输入输出映射的,监督型学习的数据结构。第二个例子给出了一个“序列 —>序列”的LSTM网络预测模型。第三个例子给出了 针对one hor encoder序列,加入编码器 - 解码器结构的LSTM网络模型源码地址:https://g...原创 2018-12-13 16:17:16 · 12082 阅读 · 9 评论 -
LSTM系列_LSTM的特性学习(2)——如何用stateful配置有状态的LSTM网络 代码示例
导读:有状态的网络指的是每次训练一个周期的网络,将当前网络的状态记录下来,下一次训练网络时将上一次网络的状态作为下一次训练时的网络初始状态。通过设置参数stateful=True来实现。model.add(LSTM(20, batch_input_shape=(n_batch, 1, n_features), stateful=True))本节演示了数据的重塑过程,如何编码数据输入输出...原创 2018-12-13 10:49:22 · 2671 阅读 · 4 评论 -
LSTM系列_LSTM的特性学习(1)——LSTM中如何使用TimeDistributed包装层
导读:本文介绍了LSTM网络中的TimeDistributed包装层,代码演示了具有TimeDistributed层的LSTM网络配置方法。演示了一对一,多对一,多对多,三种不同的预测方法如何配置。在对多对一预测中用了不配置TimeDistributed的方法,在多对多预测中使用了TimeDistributed层。对代码的解析在代码注释中源码地址:https://githu...原创 2018-12-13 01:45:09 · 3018 阅读 · 8 评论 -
LSTM系列_LSTM的建模方法(5)——总结(完结)
本章结构图:长短期记忆(LSTM)系列文章是本人对博主Jason Brownlee博士文章学习的笔记,分享给大家一起学习如有版权问题请联系本人。本专题包含4篇文章:长短期记忆(LSTM)系列_LSTM的建模方法(1)——生成式LSTM网络,Encoder-Decoder LSTM网络,CNN LSTM(LRCN)网络建模介绍长短期记忆(LSTM)系列_LSTM的建模方法...原创 2018-12-12 17:22:09 · 8424 阅读 · 1 评论 -
Keras中如何保存和加载训练好的预测模型——长短期记忆(LSTM)系列_LSTM的建模方法(4)
导读:一个模型从准备数据到最后训练完成,构建了一个完整的神经网络,在准备用来预测之前,我们需要先将这个网络保存起来,以便下次可以直接拿来使用,不用重复训练。模型的保存和调用方法为model.save('')model = load_model('')我们所保存的网络状态指的是训练过程中使用的网络体系以及训练完成后网络节点之间的权重值。调用Keras中相应的保存和加载方法即可完成。...原创 2018-12-09 00:40:12 · 21137 阅读 · 15 评论 -
如何判断LSTM模型的过度拟合和欠拟合——长短期记忆(LSTM)系列_LSTM的建模方法(3)
导读:本文主要讲了一些模型中一个常见的问题,训练不足和过度拟合。过度拟合指的是由于训练数据过少,或者对训练集训练的次数过多,导致模型的结果不是找到所有数据的一般共有特性,而是仅对训练数据进行了特征提取。换句话说,这个模型已经记住了所有的训练数据,对训练数据的预测效果非常好,但对其他数据的预测效果非常差。对于训练不足的情况来说,可以通过增加网络中的节点,或者增加网络的训练周期来达到。...原创 2018-12-08 13:08:44 · 25896 阅读 · 2 评论 -
如何堆叠多层LSTM网络——长短期记忆(LSTM)系列_LSTM的建模方法(2)
导读:堆叠式LSTM属于深度学习,通过添加网络的深度,提高训练的效率,获得更高的准确性。文中介绍了堆叠式LSTM的架构和实现方法在堆叠式LSTM中,层与层的输数出通过return_sequences = True参数修改成3D数据,以便供下一层网络使用。源码地址https://github.com/yangwohenmai/LSTM/tree/master/%E9%95%BF%...原创 2018-12-07 15:15:57 · 39234 阅读 · 0 评论 -
生成式LSTM网络,Encoder-Decoder LSTM网络,CNN LSTM(LRCN)网络建模介绍——长短期记忆(LSTM)系列_LSTM的建模方法(1)
导读文中介绍了三种LSTM的建模应用,分别是生成式LSTM网络,Encoder-Decoder LSTM网络,CNN LSTM(LRCN)网络。大致介绍了一下每种网络的建模方法和应用场景,这里仅做了解即可原文链接:生成性长短期记忆网络 编码器 - 解码器长短期存储器网络 CNN LSTM网络生成式长短期记忆网络的介绍生成模型LSTM可以用作生成模型。给定大量序列数...翻译 2018-12-07 14:12:49 · 12590 阅读 · 2 评论 -
LSTM系列_LSTM的数据准备(7)——总结(完结)
以下是 《长短期记忆(LSTM)系列_LSTM的数据准备》专题的概况图本专题包含6篇文章:长短期记忆(LSTM)系列_LSTM的数据准备(1)——如何重塑Keras中长短期内存网络的输入数据长短期记忆(LSTM)系列_LSTM的数据准备(2)——如何编写OneHotEncoder(热编码)序列数据长短期记忆(LSTM)系列_LSTM的数据准备(3)——如何使用差分法消除数据的...原创 2018-12-06 00:47:45 · 5369 阅读 · 4 评论 -
LSTM系列_LSTM的数据准备(6)——如何处理序列预测问题中的缺失时间步长(附两个完整LSTM实例)
导读:本文讨论分析了输入数据中,有数据缺失的情况如何处理一般有两种情况,分别是对缺失值进行替换和学习,忽略对缺失值的学习同时文章演示了对于缺失值得补全方法。文末附带两个LSTM代码,比较了两种对缺失值不同处理方式的网络模型优劣源码地址:https://github.com/yangwohenmai/LSTM/tree/master/%E9%95%BF%E7%9F%AD%E6%9C...原创 2018-12-05 16:37:38 · 13073 阅读 · 4 评论 -
LSTM系列_LSTM的数据准备(5)——如何配置Keras中截断反向传播预测的输入序列步长
导读:这篇文章是介绍了BPTT的概念,说明了数据截断的原因和方法,即提高网络的学习效率。以及如何找到最好的截断方法,即利用网格搜索。文中都是一些概念介绍,这里直接把原文贴上来了。原文链接:https://machinelearningmastery.com/truncated-backpropagation-through-time-in-keras/正文翻译如下:递归神经网络...翻译 2018-12-05 11:03:52 · 5179 阅读 · 3 评论 -
长短期记忆(LSTM)系列_LSTM的数据准备(4)——如何归一化标准化LSTM网络的数据
导读:在训练神经网络(例如长短期记忆复现神经网络)时,可能需要缩放序列预测问题的数据。当输入数据序列分布并不标准,或者变化幅度(标准差)过大时,这会减慢网络的学习和收敛速度,也会阻碍网络的学习效率。因此您需要了解如何归一化和标准化序列预测数据,以及如何确定将哪中形式用于输入和输出变量。您可能需要考虑两种类型的系列缩放:归一化和标准化。这些都可以使用scikit-learn库来实...原创 2018-12-04 17:06:11 · 19727 阅读 · 4 评论 -
LSTM系列_LSTM的数据准备(3)——如何使用差分法消除数据的趋势和季节性
导读:我们的很多数据是具有季节性或者趋势性的,就是随着时间越来越久,数据随着一个趋势来变化,这种内在的趋势对数据的预测有一定的影响。那么怎么来消除这个影响呢?我们可以使用差分法,差分法简单说就是在一系列数据中,相邻两个相减得到相邻两个值的变化量,我们在进行数据分析的过程中,只对差分之后的结果进行分析,也就是说我们只分析连续数据间的变化情况,而忽略了数据本身的累加形成的趋势性或者季节性。最后...原创 2018-12-04 16:37:39 · 19588 阅读 · 8 评论 -
LSTM系列_LSTM的数据准备(2)——如何编写OneHotEncoder(热编码)序列数据
导读:什么是热编码,原意是OneHotEncoder,OneHotEncoder就是把一些有意义的文字或符号转换成及其能读懂的语言。我们有时想对一系列有意义的数据进行处理或者预测,但这种有意义的数据不一定是数字,有可能是英文,汉字,标记,我们可以对其分类,然后用特定的数字编码(代替)他们。而不同的编码方式有着不同的表现力。源码地址:https://github.com/yangwohe...原创 2018-12-04 14:06:50 · 2712 阅读 · 0 评论 -
LSTM系列_LSTM的数据准备(1)——如何重塑Keras中LSTM网络的输入数据
源码地址:https://github.com/yangwohenmai/LSTM/tree/master/%E9%95%BF%E7%9F%AD%E6%9C%9F%E8%AE%B0%E5%BF%86(LSTM)/LSTM%E7%9A%84%E6%95%B0%E6%8D%AE%E5%87%86%E5%A4%87/%E9%87%8D%E5%A1%91Keras%E4%B8%AD%E9%95%BF%...原创 2018-12-04 12:13:00 · 14182 阅读 · 13 评论 -
LSTM系列_3.1~3.3、第一个LSTM小例子:Keras中LSTM建模的5个核心步骤(python)
导读:本文是演示了一个最简单的LSTM模型的构建,以0.1~0.9序列为例,做了一个预测的小实例,文章最后我新增了一个测试集,重新使用训练的模型进行一次预测,详细代码以及注释见文末。源码地址:https://github.com/yangwohenmai/LSTM/tree/master/%E9%95%BF%E7%9F%AD%E6%9C%9F%E8%AE%B0%E5%BF%86(LS...原创 2018-12-03 16:46:11 · 5141 阅读 · 7 评论 -
LSTM系列_2.1~2.3、用递归神经网络简要介绍序列预测模型
前置课程https://machinelearningmastery.com/sequence-prediction/https://machinelearningmastery.com/gentle-introduction-long-short-term-memory-networks-experts/序列预测是涉及使用历史序列信息来预测序列中的下一个或多个值的问题。序列可以是...翻译 2018-11-30 14:41:23 · 1475 阅读 · 4 评论 -
LSTM系列_1.1、回归神经网络在时间序列预测中的介绍和应用
摘要,通过本文你可以学到:传统的时间序列预测方法侧重于具有线性关系的单变量数据以及固定和手动诊断的时间依赖性。 神经网络增加了学习可能的噪声和非线性关系的能力,其中任意定义但固定数量的输入和输出支持多变量和多步预测。 递归神经网络增加了有序观察的显式处理和从上下文学习时间依赖的承诺。递归神经网络是一种神经网络,它在输入观察中添加了对顺序的显式处理。这种能力表明,递归神经网络的前...翻译 2018-11-29 16:10:16 · 5703 阅读 · 0 评论