Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列预测

该数据根据世界各国提供的新病例数据提供。

获取时间序列数据

df=pd.read_csv("C://global.csv")

探索数据

此表中的数据以累积的形式呈现，为了找出每天的新病例，我们需要减去这些值

df.head(10)

 

这些数据是根据国家和地区报告新病例的数据，但我们只想预测国家的新病例，因此我们使用 groupby 根据国家对它们进行分组

 

总结数据

执行 groupby 以根据一个国家的新病例来汇总数据，而不是根据地区

d1=df.groupby(['Country/Region']).sum()

 

描述随机选择的国家的累计新病例增长

1.   
2.  from numpy.random import seed
3.   
4.  plt.plot(F[i], label = RD[i])
5.  plt.show()

1.  # 我们不需要前两列
2.  d1=d1.iloc[:,2:]

1.  # # 检查是否有空值
2.   
3.  d1.isnull().sum().any()

我们可以对每个国家进行预测，也可以对所有国家进行预测，这次我们对所有国家进行预测

dlycnmdcas.head()

dalycnfreces.index

dal_cnre_ces.index = pd.to_datetime(dailyonfrmd_as.index)

plt.plot(dalnimedases)

1.  ne_ces = daiy_onme_as.diff().dropna().astype(np.int64)
2.  newcaes

plt.plot(ne_s[1:])

nw_s.shape

(153,)

将数据拆分为训练和测试数据

1.   
2.  ct=0.75
3.  trin_aa,tet_aa = train_test_split(ne_ces, pct)
(116,)1.  plt.plot(tainta)
2.  plt.plot(tesata)

数据标准化

scaler = MinMaxScaler()testa.shape(38, 1)

创建序列

1.   
2.  lentTe = len(ts_data)
3.  for i in range(timmp, lenhTe):
4.  X_st.append(tst_aa[i-tmStap:i])
5.  y_tt.append(tesata[i])
6.   
7.  X_tet=np.array(X_ts)
8.  ytes=np.array(y_tt)
X_st.shape

Xtrn.shape

1.   
2.  # 序列的样本
3.  X_trn[0], yran[0]

 

为股票价格预测设计 RNN 模型

模型：

1. LSTM
2. GRU
model.summary()

model.summary()

 

model.fit(X_trn y_rin, epochs=50, batch_size=200)

 

 

1.   
2.  yprd = (mod.predict(X_test))
3.  MSE = mean_squared_error(ytue, y_rd)
4.   
5.  plt.figure(figsize=(14,6))

1.  meRU= Sqtal([
2.  keras.layers.GRU(
3.   
4.   
5.   
6.   
7.  model_GRU.fit(Xtrn, ytin,epochs=50,batch_size=150)

1.  pe_rut = {}
2.   
3.  y_ue = (y_et.reshape(-1,1))
4.  y_prd = (modlGU.predict(X_test))
5.  MSE = mean_squared_error(y_ue, ed)

用于预测新病例的机器学习算法

准备数据

d__in.shape

moel=LinearRegression(nos=-2)

ARIMA

COVID-19 新病例预测的自回归综合移动平均线

 #我们不需要前两列

1.  df1.head()
2.  daly_nfrd_cses = df1.sum(axis=0)
3.  day_cnir_ase.index = pd.to_datetime(da_onieses.index)
4.  new_cs = dacofmecss.diff().dropna().astype(np.int64)
5.   
6.  tri_ta,tet_ata = trintt_it(nw_es, pct)

1.   
2.  ero = men_squred_eror(ts_ar, pricos)

1.  plt.figure(figsize=(12,7))
2.  plt.plot(tanat)

---