时间序列预测讲义ARIMA&LSTM;及python代码

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

import numpy
import matplotlib.pyplot as plt
from pandas import read_csv
import math
from keras.models import Sequential
from keras.layers import DenseActivationdropout
from keras.layers import LSTM
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
from keras import optimizers
import time

plt.style.use（‘ggplot‘）

# 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[i:（i+look_back）]
        dataX.append（a）
        dataY.append（dataset[i + look_back]）
    return numpy.array（dataX） numpy.array（dataY）
	
# fix random seed for reproducibility
numpy.random.seed（7）

# load the dataset
dataframe = read_csv（‘soybean_price_guangdong.csv‘header=0parse_dates=[0]index_col=0squeeze=True）
dataset = dataframe.values
dataset = dataset.astype（‘float32‘）

# normalize the dataset
scaler = MinMaxScaler（feature_range=（0 1））
dataset = scaler.fit_transform（dataset）

# split into train and test sets
train_size = int（len（dataset） * 0.7）
test_size = len（dataset） - train_size
train test = dataset[0:train_size] dataset[train_size:len（dataset）]

# reshape into X=t and Y=t+1
look_back = 1
trainX trainY = create_dataset（train look_back）
testX testY = create_dataset（test look_back）

# reshape input to be [samples time steps features]
trainX = numpy.reshape（trainX （trainX.shape[0] 1 trainX.shape[1]））
testX = numpy.reshape（testX （testX.shape[0] 1 testX.shape[1]））

# create and fit the LSTM network
model = Sequential（）

model.add（LSTM（input_dim=1output_dim=50return_sequences=True））
model.add（Dropout（0.2））

model.add（LSTM（100return_sequences=False））
model.add（Dropout（0.2））

model.add（Dense（output_dim=1））
model.add（Activation（‘linear‘））

start=time.time（）
model.compile（loss=‘mean_squared_error‘optimizer=‘Adam‘）
print （‘compilation time:‘time.time（）-start）

history=model.fit（trainXtrainYbatch_size=1nb_epoch=100validation_split=0.1verbose=2）

# make predictions
trainPredict = model.predict（trainX）
testPredict = model.predict（testX）

# invert predictions
trainPredict = scaler.inverse_transform（trainPredict）
trainY = scaler.inverse_transform（[trainY]）
testPredict = scaler.inverse_transform（testPredict）
testY = scaler.inverse_transform（[testY]）

# calculate root mean squared error
trainScore = math.sqrt（mean_squared_error（trainY[0] trainPredict[:0]））
print（‘Train Score: %.2f RMSE‘ % （trainScore））
testScore = math.sqrt（mean_squared_error（testY[0] testPredict[:0]））
print（‘Test Score: %.2f RMSE‘ % （testScore））

# shift train predictions for plotting
trainPredictPlot=numpy.empty_like（dataset）
trainPredictPlot[:]=numpy.nan
trainPredictPlot=numpy.reshape（trainPredictPlot（dataset.shape[0]1））
trainPredictPlot[look_back:len（trainPredict）+look_back :] = trainPredict

# shift test predictions for plot

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件    1406714  2018-05-24 10:34  39 第47讲\ARIMA\.ipynb_checkpoints\soybean_price_guangdong_ARIMA-checkpoint.ipynb

     文件      21735  2018-05-24 10:33  39 第47讲\ARIMA\soybean_price_guangdong.csv

     文件     903635  2018-05-24 10:33  39 第47讲\ARIMA\soybean_price_guangdong_ARIMA.ipynb

     文件     250664  2018-05-24 10:33  39 第47讲\LSTM\预测一天的结果\.ipynb_checkpoints\soybean_price_guangdong_LSTM-checkpoint.ipynb

     文件      20833  2018-05-24 10:33  39 第47讲\LSTM\预测一天的结果\loss_log.png

     文件      92615  2018-05-24 10:33  39 第47讲\LSTM\预测一天的结果\result.png

     文件      21735  2018-05-24 10:33  39 第47讲\LSTM\预测一天的结果\soybean_price_guangdong.csv

     文件       3560  2018-05-24 10:33  39 第47讲\LSTM\预测一天的结果\soybean_price_guangdong.py

     文件     250664  2018-05-24 10:33  39 第47讲\LSTM\预测一天的结果\soybean_price_guangdong_LSTM.ipynb

     文件      21735  2018-05-24 10:32  39 第47讲\soybean_price_guangdong.csv

     文件      42653  2018-05-24 10:32  39 第47讲\soybean_price_guangdong.xlsx

     文件    1087885  2018-05-24 10:34  39 第47讲\weather-prophet-master\.ipynb_checkpoints\forecast-temperatures-using-prophet-checkpoint.ipynb

     文件    1087885  2018-05-24 10:33  39 第47讲\weather-prophet-master\forecast-temperatures-using-prophet.ipynb

     文件     407274  2018-05-24 10:33  39 第47讲\weather-prophet-master\outdoor-temperature-hourly.csv

     文件     514619  2018-05-24 10:33  39 第47讲\weather-prophet-master\outdoor-temperature-hourly_20170710.csv

     文件     919851  2018-05-24 10:33  时间序列（ARIMA&LSTM）PPT.pdf

     文件    1124283  2018-06-13 17:09  时间序列预测讲义.docx

     目录          0  2018-05-24 10:45  39 第47讲\LSTM\预测一天的结果\.ipynb_checkpoints

     目录          0  2018-05-24 10:45  39 第47讲\ARIMA\.ipynb_checkpoints

     目录          0  2018-05-24 10:45  39 第47讲\LSTM\预测一天的结果

     目录          0  2018-05-24 10:45  39 第47讲\weather-prophet-master\.ipynb_checkpoints

     目录          0  2018-05-24 10:45  39 第47讲\ARIMA

     目录          0  2018-05-24 10:45  39 第47讲\LSTM

     目录          0  2018-05-24 10:45  39 第47讲\weather-prophet-master

     目录          0  2018-06-13 18:05  39 第47讲

----------- ---------  ---------- -----  ----

              8178340                    25