全文下載鏈接：?http://tecdat.cn/?p=27042

最近我們被客戶要求撰寫關(guān)于新冠疫情人數(shù)的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

在本文中，該數(shù)據(jù)根據(jù)世界各國提供的新病例數(shù)據(jù)提供。

獲取時(shí)間序列數(shù)據(jù)

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

探索數(shù)據(jù)

此表中的數(shù)據(jù)以累積的形式呈現(xiàn)，為了找出每天的新病例，我們需要減去這些值

df.head(10)

這些數(shù)據(jù)是根據(jù)國家和地區(qū)報(bào)告新病例的數(shù)據(jù)，但我們只想預(yù)測(cè)國家的新病例，因此我們使用 groupby 根據(jù)國家對(duì)它們進(jìn)行分組

總結(jié)數(shù)據(jù)

執(zhí)行 groupby 以根據(jù)一個(gè)國家的新病例來匯總數(shù)據(jù)，而不是根據(jù)地區(qū)

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

描述隨機(jī)選擇的國家的累計(jì)新病例增長(zhǎng)

from?numpy.random?import?seed ????plt.plot(F[i],?label?=?RD[i]) ????plt.show()

#?我們不需要前兩列d1=d1.iloc[:,2:]

#?#?檢查是否有空值d1.isnull().sum().any()

我們可以對(duì)每個(gè)國家進(jìn)行預(yù)測(cè)，也可以對(duì)所有國家進(jìn)行預(yù)測(cè)，這次我們對(duì)所有國家進(jìn)行預(yù)測(cè)

dlycnmdcas.head()

dalycnfreces.indexdal_cnre_ces.index?=?pd.to_datetime(dailyonfrmd_as.index)

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

結(jié)合新冠疫情COVID-19股票價(jià)格預(yù)測(cè)：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析

左右滑動(dòng)查看更多

01

02

03

04

plt.plot(dalnimedases)

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

plt.plot(ne_s[1:])

nw_s.shape(153,)

將數(shù)據(jù)拆分為訓(xùn)練和測(cè)試數(shù)據(jù)

ct=0.75trin_aa,tet_aa?=?train_test_split(ne_ces,?pct)(116,)``````plt.plot(tainta) plt.plot(tesata)

數(shù)據(jù)標(biāo)準(zhǔn)化

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

創(chuàng)建序列

lentTe?=?len(ts_data) for?i?in?range(timmp,?lenhTe): ????X_st.append(tst_aa[i-tmStap:i]) ????y_tt.append(tesata[i])X_tet=np.array(X_ts)ytes=np.array(y_tt)X_st.shape

Xtrn.shape

#??序列的樣本?X_trn[0],?yran[0]

為股票價(jià)格預(yù)測(cè)設(shè)計(jì) 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)

用于預(yù)測(cè)新病例的機(jī)器學(xué)習(xí)算法

準(zhǔn)備數(shù)據(jù)

d__in.shape

moel=LinearRegression(nos=-2)

ARIMA

COVID-19 新病例預(yù)測(cè)的自回歸綜合移動(dòng)平均線

#我們不需要前兩列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)

數(shù)據(jù)獲取

在下面公眾號(hào)后臺(tái)回復(fù)“疫情數(shù)****據(jù)”，可獲取完整數(shù)據(jù)。

點(diǎn)擊文末?“閱讀原文”

獲取全文完整資料。

本文選自《Python用RNN循環(huán)神經(jīng)網(wǎng)絡(luò)：LSTM長(zhǎng)期記憶、GRU門循環(huán)單元、回歸和ARIMA對(duì)COVID19新冠疫情人數(shù)時(shí)間序列預(yù)測(cè)》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

【視頻】Python用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)不穩(wěn)定降雨量時(shí)間序列進(jìn)行預(yù)測(cè)分析|數(shù)據(jù)分享
深度學(xué)習(xí)實(shí)現(xiàn)自編碼器Autoencoder神經(jīng)網(wǎng)絡(luò)異常檢測(cè)心電圖ECG時(shí)間序列spss modeler用決策樹神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)ST的股票
Python中TensorFlow的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)、指數(shù)移動(dòng)平均法預(yù)測(cè)股票市場(chǎng)和可視化
RNN循環(huán)神經(jīng)網(wǎng)絡(luò) 、LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)時(shí)間序列長(zhǎng)期利率預(yù)測(cè)
結(jié)合新冠疫情COVID-19股票價(jià)格預(yù)測(cè)：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時(shí)間序列分析
深度學(xué)習(xí)：Keras使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類分析新聞組數(shù)據(jù)
用PyTorch機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)銀行客戶流失模型
PYTHON用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法預(yù)測(cè)時(shí)間序列洗發(fā)水銷售數(shù)據(jù)
Python用Keras神經(jīng)網(wǎng)絡(luò)序列模型回歸擬合預(yù)測(cè)、準(zhǔn)確度檢查和結(jié)果可視化
R語言深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò) (CNN)對(duì) CIFAR 圖像進(jìn)行分類：訓(xùn)練與結(jié)果評(píng)估可視化
深度學(xué)習(xí)：Keras使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類分析新聞組數(shù)據(jù)
Python用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)不穩(wěn)定降雨量時(shí)間序列進(jìn)行預(yù)測(cè)分析
R語言深度學(xué)習(xí)Keras循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)模型預(yù)測(cè)多輸出變量時(shí)間序列
R語言KERAS用RNN、雙向RNNS遞歸神經(jīng)網(wǎng)絡(luò)、LSTM分析預(yù)測(cè)溫度時(shí)間序列、 IMDB電影評(píng)分情感
Python用Keras神經(jīng)網(wǎng)絡(luò)序列模型回歸擬合預(yù)測(cè)、準(zhǔn)確度檢查和結(jié)果可視化
Python用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)不穩(wěn)定降雨量時(shí)間序列進(jìn)行預(yù)測(cè)分析
R語言中的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)間序列：多層感知器（MLP）和極限學(xué)習(xí)機(jī)（ELM）數(shù)據(jù)分析報(bào)告
R語言深度學(xué)習(xí)：用keras神經(jīng)網(wǎng)絡(luò)回歸模型預(yù)測(cè)時(shí)間序列數(shù)據(jù)
Matlab用深度學(xué)習(xí)長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)文本數(shù)據(jù)進(jìn)行分類
R語言KERAS深度學(xué)習(xí)CNN卷積神經(jīng)網(wǎng)絡(luò)分類識(shí)別手寫數(shù)字圖像數(shù)據(jù)（MNIST）
MATLAB中用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)人體脂肪百分比數(shù)據(jù)
Python中用PyTorch機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)銀行客戶流失模型
R語言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸數(shù)據(jù)分析
SAS使用鳶尾花(iris)數(shù)據(jù)集訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(ANN)模型
【視頻】R語言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸數(shù)據(jù)分析
Python使用神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單文本分類
R語言用神經(jīng)網(wǎng)絡(luò)改進(jìn)Nelson-Siegel模型擬合收益率曲線分析
R語言基于遞歸神經(jīng)網(wǎng)絡(luò)RNN的溫度時(shí)間序列預(yù)測(cè)
R語言神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)車輛數(shù)量時(shí)間序列
R語言中的BP神經(jīng)網(wǎng)絡(luò)模型分析學(xué)生成績(jī)
matlab使用長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對(duì)序列數(shù)據(jù)進(jìn)行分類
R語言實(shí)現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)和結(jié)果可視化
用R語言實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票實(shí)例
使用PYTHON中KERAS的LSTM遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列預(yù)測(cè)
python用于NLP的seq2seq模型實(shí)例:用Keras實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯
用于NLP的Python：使用Keras的多標(biāo)簽文本LSTM神經(jīng)網(wǎng)絡(luò)分類