[免费开源]ARIMA-CNN-LSTM时间序列预测模型python代码

已于 2024-05-11 14:24:20 修改
阅读量847 收藏 17
点赞数 10
文章标签： 开源 cnn lstm python 人工智能
于 2024-03-24 20:06:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zjdssd/article/details/136993807
版权
本文介绍了如何使用ARIMA模型进行数据预处理，然后结合CNN和LSTM进行深度学习时间序列预测，提供了代码片段并展示了模型在生反池DO1数据上的应用，包括预测结果和评估指标如RMSE和R2。
摘要由CSDN通过智能技术生成

整理了ARIMA-CNN-LSTM代码免费分享给大家。效果优异，记得点赞哦~~~

# 帅帅的笔者
# coding: utf-8



import time
time_start = time.time()
import itertools
import sys 
import math
import numpy as np 
import pandas as pd
from numpy import concatenate
from pandas import concat, DataFrame
import matplotlib.pyplot as plt   
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
from keras.layers import Dense, Flatten, RepeatVector

from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import GRU
from keras.layers.convolutional import Conv1D
from keras.layers.convolutional import MaxPooling1D
from keras.layers import Dropout
from statsmodels.tsa.arima_model import ARIMA
import tensorflow as tf
import statsmodels.api as sm
from keras.layers import TimeDistributed

import matplotlib
import warnings
import statsmodels
from scipy import  stats



# 调用GPU加速
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
for gpu in gpus:
    tf.config.experimental.set_memory_growth(gpu, True)


# 用来正常显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei']
# 用来正常显示负号
plt.rcParams['axes.unicode_minus'] = False

#读入数据
data_raw = pd.read_csv('shao - 单.csv', usecols=[0, 1])
features=['生反池DO1']
data_raw=data_raw[features]


p_min = 0
p_max = 5
d_min = 0
d_max = 2
q_min = 0
q_max = 5

train_results = sm.tsa.arma_order_select_ic(data_raw, ic=['aic', 'bic'], trend='c', max_ar=p_max, max_ma=q_max)


print('AIC', train_results.aic_min_order)
print('BIC', train_results.bic_min_order)



model = statsmodels.tsa.arima.model.ARIMA(data_raw, order=(3, 2, 1))
fit = model.fit()

preds = fit.predict(1,len(data_raw), typ='levels')
preds_pd = preds.to_frame()
preds_pd.index -= 1

arima_result = pd.DataFrame(columns=['生反池DO1'])
arima_result['生反池DO1'] = data_raw['生反池DO1']
arima_result['predicted'] = preds_pd
arima_result['residuals'] = arima_result['生反池DO1'] - arima_result['predicted']

new_data = arima_result
lstm_data = new_data['residuals'][:].values.astype(float)

def series_to_supervised(data, n_in, n_out, dropnan=True):
    n_vars = 1 if type(data) is list else data.shape[1]
    df = DataFrame(data)
    cols, names = list(), list()
    for i in range(n_in, 0, -1):
        cols.append(df.shift(i))
        names += [('var%d(t-%d)' % (j + 1, i)) for j in range(n_vars)]
    for i in range(0, n_out):
        cols.append(df.shift(-i))
        if i == 0:
            names += [('var%d(t)' % (j + 1)) for j in range(n_vars)]
        else:
            names += [('var%d(t+%d)' % (j + 1, i)) for j in range(n_vars)]
    agg = concat(cols, axis=1)
    agg.columns = names
    if dropnan:
        agg.dropna(inplace=True)
    return agg

#生成LSTM所需要的3维数据格式,(样本数，时间步长，特征数)
def dataprepare(values,timestep):
    reframed = series_to_supervised(values,timestep, 1)#X,y
    values = reframed.values
    #划分训练集和测试集
    train = values[1:train_len, :]
    test = values[train_len:, :]
    #得到对应的X和label（即y）
    train_X, train_y = train[:, :-1], train[:, -1]
    test_X, test_y = test[:, :-1], test[:, -1]
    # 把输入重塑成3D格式 [样例，时间步， 特征]
    train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1]))
    test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1]))
    print("train_X.shape:%s train_y.shape:%s test_X.shape:%s test_y.shape:%s" % (
    train_X.shape, train_y.shape, test_X.shape, test_y.shape))
    return train_X,train_y,test_X,test_y


scaler = MinMaxScaler(feature_range=(-1, 1))
scaler_data = scaler.fit_transform(lstm_data.reshape(-1, 1))



train_len = int(len(data_raw) * 0.80)
test_len=len(data_raw)-train_len
print(train_len)

timestep = 13  #滑动窗口
x_train, y_train, x_test, y_test = dataprepare(scaler_data,timestep)
#打印数据形式
print('x_train.shape = ', x_train.shape)
print('y_train.shape = ', y_train.shape)
print('x_test.shape = ', x_test.shape)
print('y_test.shape = ', y_test.shape)

#网络模型
model = Sequential()
model.add(Conv1D(filters=16,kernel_size=2, padding='same', strides=1, activation='relu',input_shape=(x_train.shape[1], x_train.shape[2])))
model.add(MaxPooling1D(pool_size=1))
model.add(Conv1D(filters=16,kernel_size=2, padding='same', strides=1, activation='relu',input_shape=(x_train.shape[1], x_train.shape[2])))
model.add(MaxPooling1D(pool_size=1))
model.add(Flatten())
model.add(RepeatVector(150))

model.add(LSTM(50, input_shape=(x_train.shape[1], x_train.shape[2]),activation='tanh',return_sequences=True))
model.add(LSTM(100, input_shape=(x_train.shape[1], x_train.shape[2]),activation='tanh',return_sequences=True))
model.add(LSTM(250,activation='tanh',return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.summary()
len(model.layers)

history = model.fit(x_train, y_train, epochs=10, batch_size=64, callbacks=None, validation_split=None,validation_data=None, shuffle=False, verbose=2)



plt.figure(figsize=(9, 2),dpi=150)
plt.plot(history.history['loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()


score2 = model.evaluate(x_train, y_train)
print(score2)
y_test_pred = model.predict(x_test)

#对x_test进行反归一化
test_X = x_test.reshape((x_test.shape[0], x_test.shape[2]))
y_test_pred = concatenate((y_test_pred, test_X[:, 1:]), axis=1)
y_test_pred = scaler.inverse_transform(y_test_pred)
y_test_pred = y_test_pred[:, 0]


y_testy = y_test.reshape((len(y_test), 1))
y_testy = concatenate((y_testy, test_X[:, 1:]), axis=1)
y_testy = scaler.inverse_transform(y_testy)
y_testy = y_testy[:, 0]


testScore = r2_score(y_testy, y_test_pred)
print('Train Sccore %.4f R2' %(testScore))

train_data, test_data = data_raw[0:int(len(data_raw)*0.8)+timestep], data_raw[int(len(data_raw)*0.8)+timestep:]
draw_test = new_data['predicted'][-len(y_test_pred):].values.astype(float)+y_test_pred
draw_test=draw_test.reshape(-1,1)


testScore = math.sqrt(mean_squared_error(test_data, draw_test))
print('Train Sccore %.4f RMSE' %(testScore))
testScore = mean_absolute_error(test_data, draw_test)
print('Train Sccore %.4f MAE' %(testScore))
testScore = r2_score(test_data, draw_test)
print('Train Sccore %.4f R2' %(testScore))

plt.figure(figsize=(10, 4),dpi=150)
plt.plot(test_data, label="Actual", color='red',linewidth=4)
plt.plot(range(len(x_train)+timestep+1,len(new_data)),draw_test, color='blue',label='Prediction',linewidth=2.5,linestyle="--")
plt.title('Prediction', size=15)
plt.ylabel('DO',size=15)
plt.xlabel('points',size=15)
plt.legend()
plt.show()


time_end = time.time()  
time_sum = time_end - time_start  
print(time_sum)

更多55+时间序列预测python代码领取：时间序列预测算法全集合--深度学习  

那只呢
关注
  • 10
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
预测未来？Python中的时间序列分析模型ARIMA
Saki_Python的博客
08-18 2697
ARIMA模型是一种用于分析和预测时间序列数据的统计模型。ARIMA方法明确适用于时间序列中的常见结构，为进行精确的时间序列预测提供了简单而强大的方法。ARIMA是AutoRegressive Integrated Moving Average的缩写。它结合了三个关键方面：**自回归（AR）：**使用当前观测值与滞后观测值之间的相关性建立的模型。滞后观测值的数量称为滞后阶数或p。**积分（I）：**通过对原始观测值进行差分来使时间序列平稳。差分操作的次数称为d。
基于pytorch搭建多特征LSTM时间序列预测代码详细解读（附完整代码）
hardworking_T的博客
09-03 3万+
基于pytorch搭建多特征LSTM时间序列进行预测，对代码编写流程进行详细解读
ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据）
05-05
ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据） ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据） ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据）
时间序列预测讲义（ARIMA&LSTM;）及python代码
06-13
时间序列预测讲义（ARIMA&LSTM;）及python代码，首先讲述了基本概念及公式，然后提供了python代码
CNN-LSTM用于多变量时序多输出回归代码
最新发布
weixin_44245188的博客
06-03 577
data = data[[“实际功率”,“预测风速(m/s)”,“预测风向(°)”,“预测气温(℃)”,“cos预测风向”,“sin预测风向”]]#data[“cos预测风向”]=np.cos(data[“预测风向(°)”].values.astype(‘float’))data[“sin预测风向”]=np.sin(data[“预测风向(°)”].values.astype(‘float’))tss = np.sum((y_true - np.mean(y_true)) ** 2) # 总平方和。
时间序列分析：利用ARIMA和LSTM模型预测数据
禅与计算机程序设计艺术
01-18 1466
1.背景介绍 时间序列分析是一种用于分析和预测随时间变化的数据序列的方法。在现实生活中，时间序列数据非常常见，例如股票价格、人口统计、气候数据等。时间序列分析的目标是找出数据中的模式和趋势，并利用这些信息进行预测。在这篇文章中，我们将介绍两种常见的时间序列分析方法：ARIMA(自回归积分移动平均)和LSTM(长短期记忆网络)。 ARIMA 和 LSTM 分别是一种统计方法和一种深度学习方法，它...
Python实现基于TCN、LSTM、ARIMA的电力负荷预测模型（完整源码和数据)
02-06
Python实现基于TCN、LSTM、ARIMA的电力负荷预测模型（完整源码和数据) 这项工作开发了一个多步骤时间序列负载预测模型，该模型根据历史每日耗电量数据来预测未来一周的每日耗电量。该设计了一个时间卷积网络（TCN）模型，并将其性能与传统的自回归积分移动平均（ARIMA）和众所周知的长短期记忆（LSTM）模型进行了比较。结果表明TCN模型的优越性。该项目的长期目标是为贝鲁特美国大学校园的柴油发电厂提供燃料供应。
深度学习原理详解及Python代码实现
12-07
【为什么要学习这门课程】深度学习框架如TensorFlow和Pytorch掩盖了深度学习底层实现方法，那能否能用Python代码从零实现来学习深度学习原理呢？本课程就为大家提供了这个可能，有助于深刻理解深度学习原理。左手原理、右手代码，双管齐下！本课程详细讲解深度学习原理并进行Python代码实现深度学习网络。课程内容涵盖感知机、多层感知机、卷积神经网络、循环神经网络，并使用Python 3及Numpy、Matplotlib从零实现上述神经网络。本课程还讲述了神经网络的训练方法与实践技巧，且开展了代码实践演示。课程对于核心内容讲解深入细致，如基于计算图理解反向传播算法，并用数学公式推导反向传播算法；另外还讲述了卷积加速方法im2col。【课程收获】本课程力求使学员通过深度学习原理、算法公式及Python代码的对照学习，摆脱框架而掌握深度学习底层实现原理与方法。本课程将给学员分享深度学习的Python实现代码。课程代码通过Jupyter Notebook演示，可在Windows、ubuntu等系统上运行，且不需GPU支持。【优惠说明】 课程正在优惠中！  备注：购课后可加入白勇老师课程学习交流QQ群：957519975【相关课程】学习本课程的前提是会使用Python语言以及Numpy和Matplotlib库。相关课程链接如下：《Python编程的术与道：Python语言入门》https://edu.csdn.net/course/detail/27845《玩转Numpy计算库》https://edu.csdn.net/lecturer/board/28656《玩转Matplotlib数据绘图库》https://edu.csdn.net/lecturer/board/28720【课程内容导图及特色】
LSTM时间序列预测代码超通俗解释(MATLAB)
m0_62526778的博客
02-01 1万+
LSTM神经网络时间序列预测，小白专用
时间序列预测模型实战案例(三)(LSTM)(Python)(深度学习)时间序列预测(包括运行代码以及代码讲解)
热门推荐
Snu77的博客
09-20 5万+
LSTM（Long Short-Term Memory）是一种常用的循环神经网络（RNN）模型，用于处理序列数据，具有记忆长短期的能力。在时间序列预测中，LSTM既可以多元预测机制又可以作为单元预测机制使用。LSTM的预测效果图其中MAE误差为0.15,ME误差为-0.03。,LSTM作为多元预测机制和单元预测机制的优点是可以处理序列数据中的长期依赖关系，从而可以捕捉到数据中的复杂模式和规律。它可以自适应地学习和调整模型参数，从而提高模型的预测性能和泛化能力。
15.时间序列预测（LSTM模型）python代码实现
05-08
在时间序列预测问题中，建立LSTM模型，采用python语言代码实现
LSTM 时间序列分析预测完整代码数据可直接运行（95分以上大作业）.zip
08-29
LSTM 时间序列分析预测.完整代码数据可直接运行（95分以上大作业）.zip 该项目是个人大作业项目源码，评审分达到95分以上，都经过严格调试，确保可以运行！放心下载使用。 LSTM 时间序列分析预测.完整代码数据可直接运行（95分以上大作业）.zip 该项目是个人大作业项目源码，评审分达到95分以上，都经过严格调试，确保可以运行！放心下载使用。 LSTM 时间序列分析预测.完整代码数据可直接运行（95分以上大作业）.zip 该项目是个人大作业项目源码，评审分达到95分以上，都经过严格调试，确保可以运行！放心下载使用。 LSTM 时间序列分析预测.完整代码数据可直接运行（95分以上大作业）.zip 该项目是个人大作业项目源码，评审分达到95分以上，都经过严格调试，确保可以运行！放心下载使用。 LSTM 时间序列分析预测.完整代码数据可直接运行（95分以上大作业）.zip 该项目是个人大作业项目源码，评审分达到95分以上，都经过严格调试，确保可以运行！放心下载使用。 LSTM 时间序列分析预测.完整代码数据可直接运行（95分以上大作业）.zip 该项目是个人大作业项目源码，评审分
ARIMA-WOA-LSTM时间序列预测（Python完整源码和数据）
05-05
ARIMA-WOA-LSTM时间序列预测（Python完整源码和数据） ARIMA-WOA-LSTM时间序列预测，AQI预测（Python完整源码和数据） ARIMA结合鲸鱼算法优化长短期记忆神经网络时间序列预测。
Python实现ARIMA-WOA-CNN-LSTM时间序列预测（完整源码和数据)
03-23
1.Python实现ARIMA-WOA-CNN-LSTM时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数可方便更改、...
Python实现ARIMA-CNN-LSTM时间序列预测（完整源码和数据)
03-20
1.Python实现ARIMA-CNN-LSTM时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程、参数可方便更改、代码...
ARIMA-WOA-CNN-LSTM时间序列预测（Python完整源码和数据）
05-05
ARIMA-WOA-CNN-LSTM时间序列预测，AQI预测（Python完整源码和数据） ARIMA-WOA-CNN-LSTM时间序列预测，AQI预测（Python完整源码和数据） ARIMA-WOA-CNN-LSTM时间序列预测，AQI预测（Python完整源码和数据） ARIMA...
数学建模——ARIMA时间序列预测模型Python代码
qq_45934521的博客
07-21 8572
import pandas # 读取数据，指定日期为索引列 data = pandas.read_csv( 'D:\\DATA\\pycase\\number2\\9.3\\Data.csv' , index_col='日期' ) # 绘图过程中 import matplotlib.pyplot as plt # 用来正常显示中文标签 plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示负号 plt.r..
LSTM-代码讲解（股票预测）
m0_61878383的博客
04-28 9755
本模型对ZHW_AI课题组.2021的LSTM（股票预测）代码进行讲解。本文对代码的难以理解的、重点的部分进行了注释，并对需要注意的点进行了文字提醒。同时，本文最大的特点，是结合本人自制的数据集制作图、LSTM网络结构图，深入浅出的对由数据-->网络的具体过程进行了讲解演示。
ARIMA SARIMA VAR Auto-ARIMA Auto-SARIMA LSTM GRU RNN CNN MLP DNN MLP-LSTM MLP-GRU MLP-RNN MLP-CNN LSTM-ARIMA LSTM-MLP LSTM-CNN GRU-ARIMA GRU-MLP GRU-CNN RNN-ARIMA RNN-MLP RNN-CNN CNN-ARIMA CNN-MLP CNN-LSTM CNN-GRU ARIMA-SVM SARIMA-SVM VAR-SVM Auto-ARIMA-SVM Auto-SARIMA-SVM LSTM-SVM GRU-SVM RNN-SVM CNN-SVM MLP-SVM LSTM-ARIMA-SVM LSTM-MLP-SVM LSTM-CNN-SVM GRU-ARIMA-SVM GRU-MLP-SVM GRU-CNN-SVM RNN-ARIMA-SVM RNN-MLP-SVM RNN-CNN-SVM CNN-ARIMA-SVM CNN-MLP-SVM CNN-LSTM-SVM CNN-GRU-SVM ARIMA-RF SARIMA-RF VAR-RF Auto-ARIMA-RF Auto-SARIMA-RF LSTM-RF GRU-RF RNN-RF CNN-RF MLP-RF LSTM-ARIMA-RF LSTM-MLP-RF LSTM-CNN-RF GRU-ARIMA-RF GRU-MLP-RF GRU-CNN-RF RNN-ARIMA-RF RNN-MLP-RF RNN-CNN-RF CNN-ARIMA-RF CNN-MLP-RF CNN-LSTM-RF CNN-GRU-RF ARIMA-XGBoost SARIMA-XGBoost VAR-XGBoost Auto-ARIMA-XGBoost Auto-SARIMA-XGBoost LSTM-XGBoost GRU-XGBoost RNN-XGBoost CNN-XGBoost MLP-XGBoost LSTM-ARIMA-XGBoost LSTM-MLP-XGBoost LSTM-CNN-XGBoost GRU-ARIMA-XGBoost GRU-MLP-XGBoost GRU-CNN-XGBoost RNN-ARIMA-XGBoost RNN-MLP-XGBoost RNN-CNN-XGBoost CNN-ARIMA-XGBoost CNN-MLP-XGBoost CNN-LSTM-XGBoost CNN-GRU-XGBoost ARIMA-ANN SARIMA-ANN VAR-ANN 上面这100个缩写模型的全称及相关用途功能详细解释
07-15
以下是对上述100个缩写模型的全称及相关用途功能的详细解释： 1. ARIMA (AutoRegressive Integrated Moving Average): 适用于平稳时间序列数据的预测，结合了自回归 (AR) 和移动平均 (MA) 的模型。 2. SARIMA (Seasonal ARIMA): 在ARIMA模型基础上添加了对季节性因素的建模，适用于带有季节性的时间序列数据的预测。 3. VAR (Vector Autoregression): 用于多变量时间序列数据的预测，基于自回归模型，能够捕捉变量之间的相互依赖关系。 4. Auto-ARIMA: 自动选择ARIMA模型的参数，通过对多个模型进行评估和选择来实现自动化。 5. Auto-SARIMA: 自动选择SARIMA模型的参数，通过对多个模型进行评估和选择来实现自动化。 6. LSTM (Long Short-Term Memory): 长短期记忆网络，一种适用于处理长期依赖关系的循环神经网络，用于时间序列数据的建模和预测。 7. GRU (Gated Recurrent Unit): 一种类似于LSTM的循环神经网络，具有更简化的结构，适用于时间序列数据的建模和预测。 8. RNN (Recurrent Neural Network): 适用于处理序列数据的神经网络模型，能够捕捉时间序列的动态特性。 9. CNN (Convolutional Neural Network): 卷积神经网络，主要用于图像处理，但也可以用于时间序列数据的预测，特别擅长局部模式的识别

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值