Python中的趋势“预测器”？答案

【问题标题】：Trend "Predictor" in Python?Python中的趋势“预测器”？
【发布时间】：2018-09-17 14:49:57
【问题描述】：

我目前正在处理具有 2 列的数据框（pandas）：第一列是一些数字量化数据，例如体重、某天花费的金额、GPA 等，第二列是column 是日期值，即添加相应列 1 条目的日期。

我想知道，有没有办法“预测”在 Python 中时间 X 之后的下一个值是什么？例如。如果我在 2-3 个月内有 100 个体重条目（并非所有条目都具有相同的时差，因此 1 个条目可能在第 3 天、下一个第 5 天和下一个第 10 天），并且想“预测”什么1个月后我的下一个条目，有没有办法做到这一点？

我认为这与时间序列分析有关，但我的统计背景不是很强，所以我不知道这是否是正确的方法。如果是，我如何将它应用到我的数据框（即哪些包）？它可能返回的价值是否有任何意义，或者在我正在使用的环境中它是否毫无意义？谢谢。

【问题讨论】：

我不是专家，但一个很好的起点可能是 Facebook Research 的名为 Prophet 的开源工具：facebook.github.io/prophet/docs/quick_start.html#python-api

标签： python pandas statistics time-series prediction

【解决方案1】：

对于时间序列数据的预测，我觉得最好的选择是 LSTM，它是一种循环神经网络，非常适合时间序列回归。

如果你不想深入研究神经网络的后端，我建议使用 Keras 库，它是 Tensorflow 框架的包装器。

假设您有一个一维数组值，并且您想预测下一个值。 Keras 中的代码如下所示：

#start off by building the training data, let arr = the list of values
X = []
y = []
for i in range(len(arr)-100-1):
    X.append(arr[i:i+100]) #get prev 100 values for the X
    y.append(arr[i+100])   # predict next value for Y

由于 LSTM 采用 3-D 输入，我们希望将 X 数据重塑为具有 3 个维度：

import numpy as np
X = np.array(X)
X = X.reshape(len(X), len(X[0]), 1)

现在 X 的形式为（样本、时间步长、特征）

这里我们可以使用 keras 构建神经网络：

from keras.models import Sequential
from keras.layers import Dense, LSTM

model = Sequential()
model.add(LSTM(input_shape = (len(X[0], 1)) #input 3-D timeseries data
model.add(Dense(1)) #output 1-D vector of predicted values
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X, y)

还有 viola，您可以使用您的模型来预测数据中的下一个值

【讨论】：

我知道机器学习可能真的很混乱，所以如果您需要任何进一步的详细说明，请回复，我很乐意进一步解释或将您链接到相关资源。
谢谢，我会自己尝试一下，我会告诉你的！
你能用 100 个观察值训练 LSTM 吗？
@user333700 您可以根据需要训练具有任意数量的观察结果的 LSTM，以及任何观察结果中的任意数量的特征
@Axioms 这完全取决于您。确实没有固定的数字。我一般从 100 开始，但最佳数量因型号而异。

【解决方案2】：

Statsmodels 是一个 Python 模块，它提供了时间序列预测 (Arima) 中“最著名的”方法之一。

可以在以下链接中看到一个示例：https://machinelearningmastery.com/arima-for-time-series-forecasting-with-python/

一些库中提供了其他时间序列预测方法，例如支持向量回归、Holt-Winters 和简单指数平滑。

Spark-ts (https://github.com/sryza/spark-timeseries) 是一个支持 Python 的时间序列库，提供了 Arima、Holt-Winters 和指数加权移动平均等方法。

Libsvm (https://github.com/cjlin1/libsvm) 提供支持向量回归方法。

【讨论】：