問(wèn)安全的關(guān)鍵.png)
如何高效爬取全球新聞網(wǎng)站 – 整合Scrapy、Selenium與Mediastack API實(shí)現(xiàn)自動(dòng)化新聞采集
推導(dǎo)：
ARMA 模型通常用于平穩(wěn)時(shí)間序列的建模和預(yù)測(cè)，如股票價(jià)格、經(jīng)濟(jì)指標(biāo)、氣象數(shù)據(jù)的短期預(yù)測(cè)等。
我們使用 ARMA 模型預(yù)測(cè)股票市場(chǎng)數(shù)據(jù)。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
# 生成示例數(shù)據(jù)：股票價(jià)格的時(shí)間序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=100)
data = np.cumsum(np.random.randn(100)) + 100 # 隨機(jī)漫步序列
# 創(chuàng)建DataFrame
df = pd.DataFrame(data, index=dates, columns=['Stock Price'])
# 擬合ARMA模型 (p=2, q=2)
model = ARIMA(df['Stock Price'], order=(2, 0, 2))
arma_result = model.fit()
# 預(yù)測(cè)未來(lái)20個(gè)時(shí)間點(diǎn)
forecast = arma_result.get_forecast(steps=20)
forecast_index = pd.date_range(df.index[-1], periods=21, freq='D')[1:]
forecast_values = forecast.predicted_mean
# 可視化
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['Stock Price'], label='Observed', color='blue')
plt.plot(forecast_index, forecast_values, label='Forecast', color='red', linestyle='--')
plt.fill_between(forecast_index,
forecast.conf_int().iloc[:, 0],
forecast.conf_int().iloc[:, 1],
color='pink', alpha=0.3)
plt.title('ARMA Model Forecast of Stock Price')
plt.xlabel('Date')
plt.ylabel('Stock Price')
plt.legend()
plt.grid(True)
plt.show()整個(gè)代碼生成一個(gè)隨機(jī)漫步的股票價(jià)格序列，使用 ARMA 模型進(jìn)行擬合并預(yù)測(cè)未來(lái) 20 天的股票價(jià)格。圖中展示了實(shí)際的時(shí)間序列數(shù)據(jù)（藍(lán)色）以及預(yù)測(cè)的未來(lái)值（紅色虛線(xiàn)），同時(shí)預(yù)測(cè)區(qū)間的置信區(qū)間以粉色陰影表示。
ARIMA 模型是 ARMA 模型的擴(kuò)展，適用于非平穩(wěn)時(shí)間序列。ARIMA 模型通過(guò)差分操作使非平穩(wěn)時(shí)間序列轉(zhuǎn)化為平穩(wěn)時(shí)間序列，再對(duì)平穩(wěn)時(shí)間序列進(jìn)行 ARMA 模型擬合。
ARIMA 模型的三個(gè)主要參數(shù)分別是：
其中，差分次數(shù) 是用來(lái)消除時(shí)間序列中的趨勢(shì)成分，使其成為平穩(wěn)序列。
推導(dǎo)：
差分操作：
應(yīng)用 ARMA 模型：
對(duì)差分后的序列應(yīng)用 ARMA 模型。
ARIMA 模型廣泛用于經(jīng)濟(jì)、金融等領(lǐng)域的時(shí)間序列預(yù)測(cè)，如 GDP、通貨膨脹率、失業(yè)率、股票價(jià)格等。特別適合處理有趨勢(shì)但無(wú)明顯季節(jié)性的時(shí)間序列。
我們將使用 ARIMA 模型預(yù)測(cè)一個(gè)包含趨勢(shì)的時(shí)間序列數(shù)據(jù)。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.arima.model import ARIMA
# 生成示例數(shù)據(jù)：帶有趨勢(shì)的時(shí)間序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=200)
trend = np.linspace(10, 30, 200) # 線(xiàn)性趨勢(shì)
data = trend + np.random.randn(200) * 2 # 疊加噪聲
# 創(chuàng)建DataFrame
df = pd.DataFrame(data, index=dates, columns=['Value'])
# 擬合ARIMA模型 (p=2, d=1, q=2)
model = ARIMA(df['Value'], order=(2, 1, 2))
arima_result = model.fit()
# 預(yù)測(cè)未來(lái)30個(gè)時(shí)間點(diǎn)
forecast = arima_result.get_forecast(steps=30)
forecast_index = pd.date_range(df.index[-1], periods=31, freq='D')[1:]
forecast_values = forecast.predicted_mean
# 可視化
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['Value'], label='Observed', color='blue')
plt.plot(forecast_index, forecast_values, label='Forecast', color='green', linestyle='--')
plt.fill_between(forecast_index,
forecast.conf_int().iloc[:, 0],
forecast.conf_int().iloc[:, 1],
color='lightgreen', alpha=0.3)
plt.title('ARIMA Model Forecast')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True)
plt.show()使用 ARIMA 模型進(jìn)行擬合和預(yù)測(cè)。預(yù)測(cè)結(jié)果用綠色虛線(xiàn)表示，預(yù)測(cè)的置信區(qū)間用淺綠色陰影表示。圖中展示了過(guò)去的觀(guān)測(cè)值（藍(lán)色）和未來(lái) 30 天的預(yù)測(cè)值，展示了 ARIMA 模型對(duì)趨勢(shì)的預(yù)測(cè)能力。
SARIMA 模型是 ARIMA 模型的擴(kuò)展，用于處理具有季節(jié)性成分的時(shí)間序列。SARIMA 模型引入了季節(jié)性成分，通過(guò)增加季節(jié)性自回歸（SAR）、季節(jié)性差分（I）和季節(jié)性移動(dòng)平均（SMA）項(xiàng)來(lái)建模。
推導(dǎo)：
SARIMA 模型適用于具有季節(jié)性波動(dòng)的時(shí)間序列數(shù)據(jù)，如月度銷(xiāo)售數(shù)據(jù)、季節(jié)性氣象數(shù)據(jù)等。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.sarimax import SARIMAX
# 生成示例數(shù)據(jù)：季節(jié)性時(shí)間序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=120, freq='M')
seasonal_component = 10 + 10 * np.sin(np.linspace(0, 3 * np.pi, 120))
data = seasonal_component + np.random.randn(120) * 2 # 疊加噪聲
# 創(chuàng)建DataFrame
df = pd.DataFrame(data, index=dates, columns=['Value'])
# 擬合SARIMA模型 (p=1, d=1, q=1, P=1, D=1, Q=1, s=12)
model = SARIMAX(df['Value'], order=(1, 1, 1), seasonal_order=(1, 1, 1, 12))
sarima_result = model.fit()
# 預(yù)測(cè)未來(lái)12個(gè)月
forecast = sarima_result.get_forecast(steps=12)
forecast_index = pd.date_range(df.index[-1] + pd.DateOffset(months=1), periods=12, freq='M')
forecast_values = forecast.predicted_mean
# 可視化
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['Value'], label='Observed', color='blue')
plt.plot(forecast_index, forecast_values, label='Forecast', color='orange', linestyle='--')
plt.fill_between(forecast_index,
forecast.conf_int().iloc[:, 0],
forecast.conf_int().iloc[:, 1],
color='#FFA07A', alpha=0.3) # 使用有效的顏色代碼
plt.title('SARIMA Model Forecast')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True)
plt.show()圖中展示了一個(gè)具有季節(jié)性波動(dòng)的時(shí)間序列數(shù)據(jù)（藍(lán)色）和未來(lái) 12 個(gè)月的預(yù)測(cè)值（橙色虛線(xiàn)）。預(yù)測(cè)區(qū)間的置信區(qū)間用淺橙色陰影表示。SARIMA 模型能夠有效捕捉時(shí)間序列中的季節(jié)性模式。
VAR 模型用于建模多個(gè)時(shí)間序列變量之間的相互依賴(lài)關(guān)系。與 ARMA 模型只對(duì)單一時(shí)間序列進(jìn)行建模不同，VAR 模型能夠處理多變量時(shí)間序列，捕捉它們之間的動(dòng)態(tài)關(guān)系。
推導(dǎo)：
VAR 模型適用于多個(gè)經(jīng)濟(jì)、金融或社會(huì)時(shí)間序列變量的建模與預(yù)測(cè)，如宏觀(guān)經(jīng)濟(jì)指標(biāo)（GDP、通貨膨脹率、失業(yè)率）之間的關(guān)系分析。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.api import VAR
# 生成示例數(shù)據(jù)：多變量時(shí)間序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=100)
data1 = np.cumsum(np.random.randn(100)) + 50
data2 = np.cumsum(np.random.randn(100)) + 30
data = pd.DataFrame({'Variable1': data1, 'Variable2': data2}, index=dates)
# 擬合VAR模型 (p=2)
model = VAR(data)
var_result = model.fit(2)
# 預(yù)測(cè)未來(lái)10個(gè)時(shí)間點(diǎn)
forecast = var_result.forecast(data.values[-2:], steps=10)
forecast_index = pd.date_range(dates[-1] + pd.DateOffset(days=1), periods=10)
forecast_df = pd.DataFrame(forecast, index=forecast_index, columns=data.columns)
# 可視化
plt.figure(figsize=(14, 7))
plt.plot(data.index, data['Variable1'], label='Variable1 (Observed)', color='blue')
plt.plot(data.index, data['Variable2'], label='Variable2 (Observed)', color='green')
plt.plot(forecast_df.index, forecast_df['Variable1'], label='Variable1 (Forecast)', color='orange', linestyle='--')
plt.plot(forecast_df.index, forecast_df['Variable2'], label='Variable2 (Forecast)', color='red', linestyle='--')
plt.title('VAR Model Forecast')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True)
plt.show()圖中展示了兩個(gè)時(shí)間序列變量的觀(guān)測(cè)數(shù)據(jù)（藍(lán)色和綠色）以及未來(lái) 10 天的預(yù)測(cè)值（橙色和紅色虛線(xiàn)）。VAR 模型能有效捕捉兩個(gè)變量之間的動(dòng)態(tài)關(guān)系。
GARCH 模型用于建模時(shí)間序列數(shù)據(jù)的條件異方差性，特別是金融時(shí)間序列數(shù)據(jù)的波動(dòng)性。GARCH 模型擴(kuò)展了 ARCH 模型，通過(guò)引入過(guò)去的方差來(lái)解釋當(dāng)前的方差。
推導(dǎo)：
GARCH 模型廣泛用于金融時(shí)間序列數(shù)據(jù)，如股票收益率、匯率等，用于建模和預(yù)測(cè)波動(dòng)性。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from arch import arch_model
# 生成示例數(shù)據(jù)：金融時(shí)間序列（收益率）
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=250)
returns = np.random.randn(250) * 0.02 # 生成隨機(jī)收益率數(shù)據(jù)
# 創(chuàng)建DataFrame
df = pd.DataFrame(returns, index=dates, columns=['Returns'])
# 擬合GARCH模型 (p=1, q=1)
model = arch_model(df['Returns'], vol='Garch', p=1, q=1)
garch_result = model.fit()
# 預(yù)測(cè)未來(lái)10個(gè)時(shí)間點(diǎn)的波動(dòng)性
forecast = garch_result.forecast(horizon=10)
forecast_index = pd.date_range(dates[-1] + pd.DateOffset(days=1), periods=10)
forecast_volatility = forecast.variance.values[-1, :]
# 可視化
plt.figure(figsize=(12, 6))
plt.plot(df.index, df['Returns']**2, label='Observed Variance', color='blue')
plt.plot(forecast_index, forecast_volatility, label='Forecasted Volatility', color='red', linestyle='--')
plt.title('GARCH Model Forecast')
plt.xlabel('Date')
plt.ylabel('Variance')
plt.legend()
plt.grid(True)
plt.show()圖中展示了實(shí)際的方差（藍(lán)色）和未來(lái) 10 天的預(yù)測(cè)波動(dòng)性（紅色虛線(xiàn)）。GARCH 模型能有效捕捉時(shí)間序列中的波動(dòng)性特征。
Prophet 是由 Facebook 開(kāi)發(fā)的時(shí)間序列預(yù)測(cè)模型，專(zhuān)為處理具有強(qiáng)季節(jié)性、趨勢(shì)變化以及缺失值和異常值的時(shí)間序列數(shù)據(jù)設(shè)計(jì)。它的核心思想是將時(shí)間序列數(shù)據(jù)分解為趨勢(shì)、季節(jié)性和假期效應(yīng)三個(gè)部分。
推導(dǎo)：
其中P 是季節(jié)周期， K是季節(jié)性頻率的數(shù)量。
3. 假期效應(yīng)：
Prophet 模型適用于各種具有強(qiáng)季節(jié)性和趨勢(shì)性的數(shù)據(jù)，例如零售銷(xiāo)售、網(wǎng)站流量、生產(chǎn)量等。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from prophet import Prophet # 使用 prophet 替代 fbprophet
# 生成示例數(shù)據(jù)：帶有季節(jié)性和趨勢(shì)的時(shí)間序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=365)
data = np.linspace(10, 50, 365) + 10 * np.sin(np.linspace(0, 2 * np.pi, 365)) + np.random.randn(365) * 5
# 創(chuàng)建DataFrame
df = pd.DataFrame({'ds': dates, 'y': data})
# 擬合Prophet模型
model = Prophet(yearly_seasonality=True)
model.fit(df)
# 預(yù)測(cè)未來(lái)30天
future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)
# 可視化
fig = model.plot(forecast)
plt.title('Prophet Model Forecast')
plt.xlabel('Date')
plt.ylabel('Value')
plt.show()圖中展示了時(shí)間序列數(shù)據(jù)（黑色點(diǎn)）及其預(yù)測(cè)結(jié)果（藍(lán)色線(xiàn)）。Prophet 模型能有效捕捉時(shí)間序列中的趨勢(shì)和季節(jié)性成分，并進(jìn)行未來(lái)的預(yù)測(cè)。
LSTM 是一種特殊類(lèi)型的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），用于捕捉時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴(lài)關(guān)系。LSTM 網(wǎng)絡(luò)通過(guò)引入門(mén)控機(jī)制（輸入門(mén)、遺忘門(mén)和輸出門(mén)）來(lái)解決標(biāo)準(zhǔn) RNN 中的梯度消失和爆炸問(wèn)題。
LSTM 網(wǎng)絡(luò)的核心公式如下：
LSTM 模型適用于序列預(yù)測(cè)任務(wù)，如股票價(jià)格預(yù)測(cè)、語(yǔ)音識(shí)別、自然語(yǔ)言處理等。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import LSTM, Dense
from sklearn.preprocessing import MinMaxScaler
# 生成示例數(shù)據(jù)：時(shí)間序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=100)
data = np.sin(np.linspace(0, 10, 100)) + np.random.randn(100) * 0.1
# 創(chuàng)建DataFrame
df = pd.DataFrame({'Date': dates, 'Value': data})
# 預(yù)處理數(shù)據(jù)
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(df[['Value']])
X, y = [], []
for i in range(len(scaled_data) - 10):
X.append(scaled_data[i:i+10])
y.append(scaled_data[i+10])
X, y = np.array(X), np.array(y)
# 構(gòu)建LSTM模型
model = Sequential()
model.add(LSTM(50, input_shape=(X.shape[1], X.shape[2])))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')
# 訓(xùn)練模型
model.fit(X, y, epochs=20, verbose=1)
# 預(yù)測(cè)
predicted = model.predict(X)
predicted = scaler.inverse_transform(predicted)
actual = scaler.inverse_transform(y.reshape(-1, 1))
# 可視化
plt.figure(figsize=(12, 6))
plt.plot(df['Date'][10:], actual, label='Actual', color='blue')
plt.plot(df['Date'][10:], predicted, label='Predicted', color='red', linestyle='--')
plt.title('LSTM Model Forecast')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True)
plt.show()圖中展示了 LSTM 模型的預(yù)測(cè)結(jié)果（紅色虛線(xiàn)）與實(shí)際數(shù)據(jù)（藍(lán)色）。LSTM 能夠捕捉時(shí)間序列的長(zhǎng)期依賴(lài)特征并進(jìn)行準(zhǔn)確預(yù)測(cè)。
GRU 是另一種改進(jìn)的 RNN 結(jié)構(gòu)，旨在克服標(biāo)準(zhǔn) RNN 的梯度消失問(wèn)題。GRU 相較于 LSTM 具有更簡(jiǎn)潔的結(jié)構(gòu)，只使用了重置門(mén)和更新門(mén)來(lái)控制信息的流動(dòng)。
GRU 模型適用于需要捕捉長(zhǎng)期依賴(lài)關(guān)系的時(shí)間序列預(yù)測(cè)任務(wù)，如時(shí)間序列預(yù)測(cè)、自然語(yǔ)言處理等。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import GRU, Dense
from sklearn.preprocessing import MinMaxScaler
# 生成示例數(shù)據(jù)：時(shí)間序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=100)
data = np.sin(np.linspace(0, 10, 100)) + np.random.randn(100) * 0.1
# 創(chuàng)建DataFrame
df = pd.DataFrame({'Date': dates, 'Value': data})
# 預(yù)處理數(shù)據(jù)
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(df[['Value']])
X, y = [], []
for i in range(len(scaled_data) - 10):
X.append(scaled_data[i:i+10])
y.append(scaled_data[i+10])
X, y = np.array(X), np.array(y)
# 構(gòu)建GRU模型
model = Sequential()
model.add(GRU(50, input_shape=(X.shape[1], X.shape[2])))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')
# 訓(xùn)練模型
model.fit(X, y, epochs=20, verbose=1)
# 預(yù)測(cè)
predicted = model.predict(X)
predicted = scaler.inverse_transform(predicted)
actual = scaler.inverse_transform(y.reshape(-1, 1))
# 可視化
plt.figure(figsize=(12, 6))
plt.plot(df['Date'][10:], actual, label='Actual', color='blue')
plt.plot(df['Date'][10:], predicted, label='Predicted', color='red', linestyle='--')
plt.title('GRU Model Forecast')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True)
plt.show()圖中展示了 GRU 模型的預(yù)測(cè)結(jié)果（紅色虛線(xiàn)）與實(shí)際數(shù)據(jù)（藍(lán)色）。GRU 能夠有效處理時(shí)間序列數(shù)據(jù)并進(jìn)行預(yù)測(cè)。
BSTS 模型是基于貝葉斯框架的時(shí)間序列建模方法，它允許對(duì)時(shí)間序列數(shù)據(jù)中的趨勢(shì)、季節(jié)性和假期效應(yīng)進(jìn)行建模。BSTS 模型結(jié)合了結(jié)構(gòu)時(shí)間序列模型和貝葉斯推斷方法，以提供靈活的建模能力。
推導(dǎo)：
BSTS 模型適用于具有復(fù)雜結(jié)構(gòu)的時(shí)間序列數(shù)據(jù)，如業(yè)務(wù)銷(xiāo)售數(shù)據(jù)、經(jīng)濟(jì)指標(biāo)預(yù)測(cè)等。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import numpyro
from bsts import BSTS
import jax
import jax.numpy as jnp
# 確認(rèn)可用設(shè)備數(shù)量
print(f"Number of available devices: {jax.local_device_count()}")
# 設(shè)置主機(jī)設(shè)備數(shù)量（根據(jù)實(shí)際情況調(diào)整）
numpyro.set_host_device_count(1) # 設(shè)置為實(shí)際可用的設(shè)備數(shù)量
# 生成示例數(shù)據(jù)
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=365)
data = np.linspace(10, 50, 365) + 10 * np.sin(np.linspace(0, 2 * np.pi, 365)) + np.random.randn(365) * 5
df = pd.DataFrame({'Date': dates, 'Value': data})
# 確保數(shù)據(jù)格式正確
values = np.asarray(df['Value'], dtype=np.float32)
# 初始化 BSTS 模型
model = BSTS(values)
# 擬合模型
model.fit(values)
# 預(yù)測(cè)未來(lái)30天
forecast = model.predict(steps=30)
# 生成未來(lái)日期
forecast_index = pd.date_range(dates[-1] + pd.DateOffset(days=1), periods=30)
forecast_values = forecast['mean'] # 根據(jù)實(shí)際返回值的結(jié)構(gòu)調(diào)整
# 可視化
plt.figure(figsize=(12, 6))
plt.plot(df['Date'], df['Value'], label='Observed', color='blue')
plt.plot(forecast_index, forecast_values, label='Forecast', color='red', linestyle='--')
plt.title('BSTS Model Forecast')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True)
plt.show()圖中展示了時(shí)間序列數(shù)據(jù)（藍(lán)色）及其預(yù)測(cè)結(jié)果（紅色虛線(xiàn)）。BSTS 模型能夠捕捉時(shí)間序列的復(fù)雜成分并進(jìn)行預(yù)測(cè)。
Seq2Seq 模型是一種深度學(xué)習(xí)模型，用于處理序列到序列的任務(wù)，如機(jī)器翻譯和時(shí)間序列預(yù)測(cè)。Seq2Seq 模型通常由一個(gè)編碼器和一個(gè)解碼器組成，其中編碼器處理輸入序列，解碼器生成輸出序列。
Seq2Seq 模型的核心公式包括編碼器和解碼器：
Seq2Seq 模型適用于需要進(jìn)行序列轉(zhuǎn)換的任務(wù)，如時(shí)間序列預(yù)測(cè)、自然語(yǔ)言處理等。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import LSTM, Dense
from sklearn.preprocessing import MinMaxScaler
# 生成示例數(shù)據(jù)：時(shí)間序列
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=100)
data = np.sin(np.linspace(0, 10, 100)) + np.random.randn(100) * 0.1
# 創(chuàng)建DataFrame
df = pd.DataFrame({'Date': dates, 'Value': data})
# 預(yù)處理數(shù)據(jù)
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(df[['Value']])
X, y = [], []
for i in range(len(scaled_data) - 10):
X.append(scaled_data[i:i+10])
y.append(scaled_data[i+10])
X, y = np.array(X), np.array(y)
# 構(gòu)建Seq2Seq模型
model = Sequential()
model.add(LSTM(50, input_shape=(X.shape[1], X.shape[2])))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')
# 訓(xùn)練模型
model.fit(X, y, epochs=20, verbose=1)
# 預(yù)測(cè)
predicted = model.predict(X)
predicted = scaler.inverse_transform(predicted)
actual = scaler.inverse_transform(y.reshape(-1, 1))
# 可視化
plt.figure(figsize=(12, 6))
plt.plot(df['Date'][10:], actual, label='Actual', color='blue')
plt.plot(df['Date'][10:], predicted, label='Predicted', color='red', linestyle='--')
plt.title('Seq2Seq Model Forecast')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True)
plt.show()圖中展示了 Seq2Seq 模型的預(yù)測(cè)結(jié)果（紅色虛線(xiàn)）與實(shí)際數(shù)據(jù)（藍(lán)色）。Seq2Seq 模型能有效進(jìn)行時(shí)間序列的預(yù)測(cè)任務(wù)。
文章轉(zhuǎn)自微信公眾號(hào)@深夜努力寫(xiě)Python
對(duì)比大模型API的內(nèi)容創(chuàng)意新穎性、情感共鳴力、商業(yè)轉(zhuǎn)化潛力
一鍵對(duì)比試用API 限時(shí)免費(fèi)