开发一个预测模型，根据一个国家的历史每日COVID-19确诊病例，预测接下来115天当地的每日新增确诊病例。
解决方案
任务/目标
采用多种预测模型实现预测，评估每种模型的性能，找到最小MSE的模型参数（调参）
数据预处理
随时关注您喜欢的主题
首先进行EDA（探索性数据分析），理解原始数据集。处理可能的缺失值或异常值（本例中没有缺失或异常）。将数据转换成浮点型，方便下一步的数据操作‘
用Pandas将索引设置为年，月，日的时间序列
该时间序列数据具有非线性趋势。2020年4月至2020年5月以及2020年8月至2020年9月期间，似乎具有季节性变化，周期为7天。此外，数据集的均值随时间变化，因此数据不是均值平稳的（mean-stationary）
划分训练集和测试集
考虑到最终模型会预测将来15天的新增确诊病例，保留最后15天的真实数据作为测试集
建模
首先使用一些简单的模型作为基准，如季节性天真（seasonal naïve），h步漂移预测（h-step forecast drift），和简单指数平滑（SES）；然后采用了一些相对复杂的模型，如SARIMA，神经网络，RNN-LSTM；最后，采用SARIMA和RNN的组合方法来实现更准确的预测。接下来的模型描述侧重于SARIMA和神经网络
SARIMA
SARIMA是考虑了季节性变化趋势的ARIMA模型。分为三个部分：
第一部分是AR（自回归）部分，研究变量和其自身的滞后值的回归；
第二部分是MA（移动平均），研究误差项之间的线性组合；
第三个是I（整合），表示数据值已被当前值和前值之间的差值替代，以确保ARIMA可以解决非平稳数据。该过程可执行多次直到满足stationary
每个部分都旨在使模型更好地拟合数据；
AR神经网络
自回归神经网络（NNAR）是用于回归或分类的多层模型，其时间序列的滞后值作为输入。与ARIMA不同，它可以近似任何非线性函数。
RNN神经网络-LSTM
递归神经网络（RNN）通过隐藏单元（bias unit）处理时间效应，以递归方法进行更新，具有重复模块链的形式。长期短期记忆网络（LSTM）是一种特殊的RNN，可以学习长期依赖性。
项目结果
复杂模型的预测精度显著高于简单模型，其中RNN模型的MSE最小。预测结果的可视化图形如下：
最后，采取堆栈（stacking）的方式，根据MSE进行加权，将精度最高的三种模型结合。
预测结果仅作为参考。
关于作者
Enzo Li 是拓端研究室（TRL）的研究员。
本科就读于湖南大学，主修电子信息工程。悉尼大学研究生，主修定量金融（quantitative finance），辅修商业分析（business analytics）。侧重于应用层面的数据分析。在基于现实情境的商业实践活动中，取得了优异的成绩。如：根据COVID-19的历史确诊记录，建立每日新增预测模型 ，实现高精度预测（RNN神经网络优化）；根据地段、房屋面积、基础设施分布等要素，建立房价预测模型；根据酒精含量、生产年份、用料、产地等，建立红酒售价预测模型。课题贴合实际商业活动，锻炼了运用专业知识解决现实问题的能力和技巧。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
Python图注意力神经网络GAT与蛋白质相互作用数据模型构建、可视化及熵直方图分析
MATLAB图卷积神经网络GCN处理分子数据集节点分类研究
Python混合注意力机制-多变量-LSTM神经网络分析PM2.5、光伏电站、温度时间序列数据及RNN、ARIMAX、XGT、随机森林对比
Python生成对抗神经网络GAN预测股票及LSTMs、ARIMA对比分析ETF金融时间序列可视化
