时间序列-BP神经网络及与auo arima的比较

文章目录

BP神经网络
- 数据格式
- 代码部分

auto arima代码部分

rolling_size = 2000,test_size = 1000

这已经算是经过尝试后的局部最优，rmse=0.3884

BP神经网络

BP神经网络理论及代码部分

数据格式

代码部分

#!usr/bin/env python
# -*- coding:utf-8 _*-
"""
@author: liujie
@software: PyCharm
@file: BP1.py
@time: 2020/11/8 21:57
"""
import warnings
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow import keras
from sklearn.preprocessing import StandardScaler
from tensorflow.keras import layers,optimizers
from sklearn.metrics import mean_squared_error as MSE# 读取数据
def read_data(datapath):# read datadata1 = pd.read_csv(datapath,index_col=0)# 填充或者删去data1.fillna(method='pad',inplace=True)      # 填充# data.dropna(inplace = True)                 # 删去return data1# 分割数据
def splitdata(data,Sequence_length,horizon):all_data = []for dta in range(len(data) - sequence_length -horizon + 1):all_data.append(data[dta : dta + sequence_length])all_data = np.array(all_data)ydata = data[(horizon + sequence_length -1) :]ydata = list(ydata)# 加入y变量all_data = pd.DataFrame(all_data)all_data['y'] = ydataall_data = np.array(all_data)# split data-训练数据、验证数据、测试数据比例0.6/0.2/0.2# round函数-进行四舍五入转化的row_1 =round(0.4 * int(all_data.shape[0]))row_2 = round(0.2 * int(all_data.shape[0]))x_train_initial = all_data[:-int(row_1),:-1]y_train_initial = all_data[:-int(row_1),-1]x_val_initial = all_data[-int(row_1):-int(row_2),:-1]y_val_initial = all_data[-int(row_1):-int(row_2),-1]x_test_initial = all_data[-int(row_2):,:-1]y_test_initial = all_data[-int(row_2):,-1]return x_train_initial,y_train_initial,x_val_initial,y_val_initial,x_test_initial,y_test_initial# 标准化处理
def standard(x_train_initial,y_train_initial,x_val_initial,y_val_initial,x_test_initial,y_test_initial):x_scaler = StandardScaler()y_scale = StandardScaler()# 分别对x与y进行标准化x_train = x_scaler.fit_transform(x_train_initial)x_val = x_scaler.transform(x_val_initial)x_test = x_scaler.transform(x_test_initial)y_train = y_scale.fit_transform(y_train_initial.reshape(-1,1))y_val = y_scale.transform(y_val_initial.reshape(-1,1))y_test = y_scale.transform(y_test_initial.reshape(-1,1))# 生成正式的数据格式amount_of_features = 1x_train = np.reshape(x_train,(x_train.shape[0],x_train.shape[1],amount_of_features))x_val = np.reshape(x_val,(x_val.shape[0],x_val.shape[1],amount_of_features))x_test = np.reshape(x_test,(x_test.shape[0],x_test.shape[1],amount_of_features))return x_train,y_train,x_val,y_val,x_test,y_test# keras 版本模型
def get_uncompiled_model():inputs = tf.keras.Input(shape=(10,),name = 'digits')             x = layers.Dense(24,activation='relu',name='dense_1')(inputs)   x = layers.Dense(8,activation='relu',name='dense_2')(x)                                                x = layers.Dense(1,name='dense_3')(x)model = tf.keras.Model(inputs=inputs,outputs=x)return model# 转换到标准化前的格式
def inverse_data(y_train_initial,y_pre,y_test):y_scale = StandardScaler()y_scale = y_scale.fit(y_train_initial.reshape(-1,1))y_pre = y_scale.inverse_transform(y_pre)y_test = y_scale.inverse_transform(y_test)return y_pre,y_testif __name__ == '__main__':# 读取数据-dataframeindex = 'data'path = '../data/Data.csv'sequence_length = 10           # 序列长度horizon = 1                    # 移动的步长data = read_data(path)[index]# 分割数据x_train_initial,y_train_initial,x_val_initial,y_val_initial,x_test_initial,y_test_initial = splitdata(data,sequence_length,horizon=horizon)# 标准化x_train,y_train,x_val,y_val,x_test,y_test = standard(x_train_initial,y_train_initial,x_val_initial,y_val_initial,x_test_initial,y_test_initial)# print('size = ',y_test.size)# 训练模型model = get_uncompiled_model()# model.compile()模型配置损失和度量、优化器model.compile(optimizer=optimizers.Adam(learning_rate=1e-3),loss='mean_squared_error',)# model.fit()对模型进行训练model.fit(x_train, y_train, batch_size=64, epochs=200,validation_data=(x_val,y_val))# model.predict()对模型进行预测y_pre = model.predict(x_test)print('y_pre = ',y_pre)# model.summary()# 转换到原来的数据格式y_pre_rel,y_test_rel = inverse_data(y_train_initial,y_pre,y_test)y_pre_rel = np.array(y_pre_rel).reshape(-1,1)y_test_rel = np.array(y_test_rel).reshape(-1,1)# rmsermse = np.sqrt(MSE(y_pre_rel,y_test_rel))# 画图# pd.Series()fig = plt.figure()plt.plot(y_pre_rel,'y-',label='predictions')plt.plot(y_test_rel,'r--',label='test')plt.legend(loc = 'best')plt.title('RMSE : %.4f'%(rmse))plt.show()

使用很简单的BP神经网络，效果就已经超过传统的ARIMA

下面一章节我会尝试调试BP神经网络层数及每层神经元的个数来改善效果，
敬请期待！！！

时间序列-BP神经网络及与auo arima的比较相关推荐

生猪价格matlab,基于时间序列的BP神经网络猪肉价格预测
科技创新 2m6钎第20期I科技创新与应用基于时间序列的BP神经网络猪肉价格预测张津张瑞斌 (成都理工大学管理科学学院,四川成都610059) 摘要:猪肉价格是不稳定的,起伏变化的,猪肉价格的预测 ...
bp神经网络时间序列预测,bp神经网络有几个阶段
什么是BP神经网络? . BP算法的基本思想是:学习过程由信号正向传播与误差的反向回传两个部分组成:正向传播时,输入样本从输入层传入,经各隐层依次逐层处理,传向输出层,若输出层输出与期望不符,则将误差 ...
matlab神经网络预测太阳黑子,基于小波消噪与BP神经网络的太阳黑子时间序列预测...
摘要: 现实世界中的时间序列通常包含多种不确定性因素,所以很难用传统的线性模型建模.预测.且含噪声时间序列的非线性预测是自然界和社会科学中普遍存在的问题,解决这一问题不仅具有理论意义而且有广泛的应用前 ...
bp神经网络时间序列预测,bp神经网络数据预处理
怎么用已经训练好的BP神经网络进行预测下一个值? 谷歌人工智能写作项目:神经网络伪原创 bp神经网络如何用于预测如何人工神经网络来预测下一个数值 newff函数建立BP神经网络,历史数据作为样本,例 ...
m分别使用BP神经网络和GRNN网络进行时间序列预测matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述广义回归神经网络是径向基神经网络的一种,GRNN具有很强的非线性映射能力和学习速度,比RBF具有更强 ...
bp神经网络预测未来五年数据_基于小波神经网络的数据中心KPI预测
随着软件和微服务的发展,智能运维越来越受到人们的重视.在大量的运维数据里,最不可忽视的就是各种关键性能指标数据(Key Performance Indicators,KPI),它们在数学上都可以被表达 ...
【13】数学建模 | 预测模型 | 灰色预测、BP神经网络预测 | 预测题型的思路 | 内附代码(清风课程，有版权问题，私聊删除)
一.灰色预测使用的场景数据是以年份度量的非负数据(如果是月份或者季度数据一定要用我们上一讲学过的时间序列模型): 数据能经过准指数规律的检验(除了前两期外,后面至少90%的期数的光滑比要低于0.5) ...
运用自回归滑动平均模型、灰色预测模型、BP神经网络三种模型分别预测全球平均气温，并进行预测精度对比（附代码、数据）
大家好,我是带我去滑雪,每天教你一个小技巧!全球变暖是近十年来,人们关注度最高的话题.2022年夏天,蔓延全球40℃以上的极端天气不断刷新人们对于高温的认知,人们再也不会像从前那样认为全球变暖离我们遥 ...
【预测模型】基于BP神经网络、LSTM、GRNN实现风电功率预测附matlab代码
1 简介风电功率预测结果的准确性,不仅关系到风力发电厂的综合运行效率,也与区域运行成本具备直接联系,基于BP神经网络.LSTM.GRNN实现风电功率预测.经过实例分析,证明设计的方法对风电功率的预 ...
MATLAB中用BP神经网络预测人体脂肪百分比数据
原文链接:http://tecdat.cn/?p=22739 这个例子说明了一个函数拟合的神经网络如何根据测量结果来估计脂肪百分比(BFP) (点击文末"阅读原文"获取完整代码数据 ...

时间序列-BP神经网络及与auo arima的比较

文章目录

BP神经网络

数据格式

代码部分

时间序列-BP神经网络及与auo arima的比较相关推荐

最新文章

热门文章