對于預(yù)測時間序列數(shù)據(jù)，我覺得最好的選擇是LSTM，它是一種遞歸神經(jīng)網(wǎng)絡(luò)，非常適合于時間序列回歸。在

如果您不想深入研究神經(jīng)網(wǎng)絡(luò)的后端，我建議您使用Keras庫，它是Tensorflow框架的包裝器。在

假設(shè)你有一個一維數(shù)組，你想預(yù)測下一個值。Keras中的代碼可能如下所示：#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需要三維輸入，因此我們希望將X數(shù)據(jù)重塑為具有3個維度：

^{pr2}$

現(xiàn)在，以時間為單位，以時間為單位

在這里，我們可以使用keras構(gòu)建一個神經(jīng)網(wǎng)絡(luò)：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)

viola，你可以用你的模型來預(yù)測數(shù)據(jù)中的下一個值

總結(jié)

以上是生活随笔為你收集整理的python预测发展趋势_Python中的趋势“预测器”？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。