我有一个产品,它有来自多个客户的单变量和多变量时间序列数据。我有可变数量的数据可用。从几年到几个月不等。我想要实现的是一个模型,它以来自我所有客户的培训数据为输入,每次预测1次。因此,利用他们的所有模式,然后预测一个客户在同一时间。
例如。
Train:
Date Customer Variable
2018-01-01 A 10
2018-01-01 B 5
2018-01-01 C 13
2018-01-02 A 9
2018-01-02 B 7
2018-01-02 C
我正在使用Keras中的LSTM在数据集上使用15个先前的样本进行领先一步的预测。
数据csv文件可在以下位置找到:()
使用第二列col1值。根本不使用第一列中的值(时间戳)。
我使用以下代码:
# convert an array of values into a dataset matrix
def create_dataset(dataset, look_back=1):
dataX, dataY = [], []
for i in range(len(dataset)-look_back-1):
a = dataset[
所以这是我第一次尝试通过RNN运行一个小的时间序列数据集,但是经过大量的搜索,我一直没能找到,
1.如何利用这一方法对n个周期进行预测?(类似于ARIMA中的model.predict(start,end)函数)。
2.是否有更好的使用神经网络的方法来做到这一点?
有关数据的详细信息在下面的代码中作为注释给出。谢谢。
'''
total timeseries data points = 39
frequency = Months
train = 36
test = 3
Need to forecast 3 periods ahead upto 42, currentl
在Azure ML Studio中,我用AutoML准备了一个用于时间序列预测的模型。这些数据在所有数据集中都有一些罕见的差距。我使用以下代码来调用部署的Azure AutoML模型作为web服务: import requests
import json
import pandas as pd
# URL for the web service
scoring_uri = 'http://xxxxxx-xxxxxx-xxxxx-xxxx.xxxxx.azurecontainer.io/score'
# Two sets of data to score, so w
我第一次学习了一个教程,在h2o中使用了中的R。我想做的是对我没有的数据进行预测,这意味着在测试集之外,未来的日期。
数据是时间序列,测试集上的预测如下所示:
print(automl.error.tbl)
# A time tibble: 10 x 5
# Index: Time
Time actual pred error error.pct
<date> <dbl> <dbl> <dbl> <dbl>
1 2018-01-31 11.4 11.4 0.0342 0
我有一个由一列组成的简单数据框架。在该列中有10320个观测值(数字)。我通过将数据插入到一个每个包含200个观察值的窗口的图中来模拟时间序列数据。这是绘制的代码。
import matplotlib.pyplot as plt
from IPython import display
fig_size = plt.rcParams["figure.figsize"]
import time
from matplotlib.backends.backend_agg import FigureCanvasAgg as FigureCanvas
fig, axes = plt.sub