if len(channels) != num_layers:
    print('You should not have more than {} residual layers or else model will be equivalent to RNN'.format(num_layers))

模型定义

在本文中，我们聚焦于构建并优化一个高效的时间卷积网络（Temporal Convolutional Network, TCN）模型，旨在解决时间序列预测中的复杂问题。TCN作为一种专为序列数据设计的深度学习架构，通过其独特的卷积结构和时间因果性，能够有效捕捉数据中的长期依赖关系，从而提高预测的准确性。

多元TCN

接下来旨在介绍基于时间卷积网络（Temporal Convolutional Network, TCN）的多元时间序列预测模型的构建过程，并详细阐述数据预处理及特征工程的实施步骤。通过整合多变量预处理技术、特征提取方法和模型构建策略，本文提出了一种有效的预测框架，旨在提高时间序列数据预测的准确性。

= 14 # ticer_options = ['APPLE', 'TESLA', 'AT&T', 'S&P500'] ticker = 'APPLE' cur_dir = Path(os.getcwd()) parent_path = cur_dir.parent f_path = parent_path / 'data/{}.csv'.format(ticker) df=pd.read_csv(f_path)

在这里，数据已经成型，可以输入到模型中，但我们需要先定义模型。要定义模型，我们应该知道内核的大小、TCN 需要多少个过滤器和层

模型定义

时间卷积网络（TCN）是一种专为序列建模设计的深度学习架构，它通过引入因果卷积和膨胀卷积来捕获序列中的长期依赖关系。在本研究中，我们使用TemporalConvolutionalNet类来定义TCN模型，具体参数包括输入通道数（in_channels）、输出通道数（channels）、卷积核大小（kernel_size）、丢弃率（dropout）以及权重归一化选项（weight_normal）。

下面的代码将帮助定义一些需要运行程序的变量。它还将创建用于测试和预测的训练样本、验证样本和附加样本 window_size

in_channels = num_features
out_channel = 1
filter_size = 3

模型定义与训练

模型定义

在本文中，我们采用了一个时间卷积网络（Temporal Convolutional Network, TCN）作为我们的主要模型架构，用于处理时间序列数据。

此模型配置旨在通过调整输入通道数、卷积核的通道数、卷积核大小以及引入适当的Dropout来优化模型的性能。

在这里，我们测试了训练数据，看看平均验证损失是否足够低。之所以要看平均值，是因为数据的性质决定了它的波动性。一个好的模型应该能够应对这种波动性。

准确预测未来趋势对于决策制定至关重要。本文探讨了一种利用滑动窗口法（Sliding Window Method）进行时间序列预测的方法，该方法通过动态调整输入数据的窗口大小，有效捕捉时间序列中的历史信息，并据此预测未来的数据点。

方法

1. 滑动窗口法概述

滑动窗口法是一种处理时间序列数据的常用技术，它通过设定一个固定大小的窗口在数据序列上滑动，每次滑动都选取窗口内的数据作为模型的输入。在本研究中，我们特别关注于输入和输出长度相等的配置，即窗口大小与预测目标序列的长度相匹配。

预测流程

给定一组新的时间序列数据，我们按照以下步骤进行预测：

• 步骤一：数据准备：首先，确定预测所需的窗口大小（即输入长度）和预测长度（num_predictions）。例如，若num_predictions为2，则意味着我们希望模型能够基于当前及之前的数据点预测未来两个时间步的值。
• 步骤二：构建输入和目标序列：通过滑动窗口法构建输入和目标序列。具体而言，将目标序列相对于输入序列向后移动num_predictions个时间步，以确保输入序列包含了用于预测未来num_predictions个时间步所需的所有历史信息。例如，对于输入序列t1,t2,t3,t4,t5，对应的目标序列将是t3,t4,t5,t6,t7，其中t6,t7即为预测目标。
• 步骤三：模型预测：将构建好的输入序列输入到已训练的时间序列预测模型中，模型将输出与输入序列长度相等的预测序列。由于模型已知输入序列中前len(input)-num_predictions个时间步的真实值，它利用这些信息来预测接下来的num_predictions个时间步的值。
• 步骤四：验证与评估：为了验证模型的预测性能，我们将预测结果与真实值（即总数据集中位于输入序列之后的num_predictions个时间步的值）进行比较。例如，如果总数据集为t1,t2,t3,t4,t5,t6,t7，则通过比较模型预测的t6,t7与实际的t6,t7来评估预测准确性。

您可能知道，“ medv”是波士顿住房数据集中的y数据输出，它是其中的最后一列。其余列是x输入数据。
检查维度。
 

dim(xtrain)
[1] 432  13
 

dim(ytrain)
[1] 432   1

定义和拟合模型

我们定义Keras模型，添加一维卷积层。输入形状变为上面定义的（13,1）。我们添加Flatten和Dense层，并使用“ Adam”优化器对其进行编译。

 
 
model %>% summary()
________________________________________________________________________
Layer (type)                    Output Shape                  Param #    
========================================================================
conv1d_2 (Conv1D)               (None, 12, 64)                192        
________________________________________________________________________
flatten_2 (Flatten)             (None, 768)                   0          
________________________________________________________________________
dense_3 (Dense)                 (None, 32)                    24608      
________________________________________________________________________
dense_4 (Dense)                 (None, 1)                     33         
========================================================================
Total params: 24,833
Trainable params: 24,833
Non-trainable params: 0
________________________________________________________________________
 
​

 
print(scores)
    loss 
24.20518

预测和可视化结果

现在，我们可以使用训练的模型来预测测试数据。

最后，我们将在图表中可视化结果检查误差。
 

x_axes = seq(1:length(ypred))
 
lines(x_axes, ypred, col = "red", type = "l", lwd = 2)
legend("topl

  在本教程中，我们简要学习了如何使用R中的keras CNN模型拟合和预测回归数据。

可下载资源

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

描述随机选择的国家的累计新病例增长

from numpy.random import seed



    plt.plot(F\[i\], label = RD\[i\])

    plt.show()

# 我们不需要前两列

d1=d1.iloc\[:,2:\]

# # 检查是否有空值



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

plt.plot(dalnimedases)

ne\_ces = daiy\_onme_as.diff().dropna().astype(np.int64)

newcaes

plt.plot(ne_s\[1:\])

nw_s.shape

(153,)

ct=0.75

trin\_aa,tet\_aa = train\_test\_split(ne_ces, pct)

(116,)
``````
plt.plot(tainta)

plt.plot(tesata)

X_st.shape

Xtrn.shape

#  序列的样本 

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.fit(X\_trn y\_rin, epochs=50, batch_size=200)

yprd = (mod.predict(X_test))

MSE = mean\_squared\_error(ytue, y_rd)



plt.figure(figsize=(14,6))

meRU= Sqtal(\[

                keras.layers.GRU(









model\_GRU.fit(Xtrn, ytin,epochs=50,batch\_size=150)

pe_rut = {}



y\_ue = (y\_et.reshape(-1,1))

y\_prd = (modlGU.predict(X\_test))

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

df1.head()

daly\_nfrd\_cses = df1.sum(axis=0)

day\_cnir\_ase.index = pd.to\_datetime(da\_onieses.index)

new_cs = dacofmecss.diff().dropna().astype(np.int64)



tri\_ta,tet\_ata = trintt\_it(nw\_es, pct)

ero = men\_squred\_eror(ts_ar, pricos)

plt.figure(figsize=(12,7))

plt.plot(tanat)