㈠ arima模型python 怎麼看平穩性
時間序列分析(一) 如何判斷序列是否平穩
序列平穩不平穩，一般採用兩種方法：
第一種：看圖法
圖是指時序圖，例如(eviews畫滴)：
分析：什麼樣的圖不平穩，先說下什麼是平穩，平穩就是圍繞著一個常數上下波動。
看看上面這個圖，很明顯的增長趨勢，不平穩。
第二種：自相關系數和偏相關系數
還以上面的序列為例：用eviews得到自相關和偏相關圖，Q統計量和伴隨概率。
分析：判斷平穩與否的話，用自相關圖和偏相關圖就可以了。
平穩的序列的自相關圖和偏相關圖不是拖尾就是截尾。截尾就是在某階之後，系數都為 0 ，怎麼理解呢，看上面偏相關的圖，當階數為 1 的時候，系數值還是很大， 0.914. 二階長的時候突然就變成了 0.050. 後面的值都很小，認為是趨於 0 ，這種狀況就是截尾。再就是拖尾，拖尾就是有一個衰減的趨勢，但是不都為 0 。
自相關圖既不是拖尾也不是截尾。以上的圖的自相關是一個三角對稱的形式，這種趨勢是單調趨勢的典型圖形。
下面是通過自相關的其他功能
如果自相關是拖尾，偏相關截尾，則用 AR 演算法
如果自相關截尾，偏相關拖尾，則用 MA 演算法
如果自相關和偏相關都是拖尾，則用 ARMA 演算法， ARIMA 是 ARMA 演算法的擴展版，用法類似 。
不平穩，怎麼辦？
答案是差分
還是上面那個序列，兩種方法都證明他是不靠譜的，不平穩的。確定不平穩後，依次進行1階、2階、3階...差分，直到平穩位置。先來個一階差分，上圖。
從圖上看，一階差分的效果不錯，看著是平穩的。
㈡ python 有什麼方法能進行pm2.5預測
如你所說，現有的都是從歷史預測未來，但是我們在做模型的時候，更關注的是，哪些維度可以對結果有表徵性，哪些維度沒有
比如PM2.5，只看歷史數據，無疑，隨時間肯定會越來越高，但是這是我們需要的結果嗎？難道我們做預測不應該是將輸入和輸出建立一定的關系么？歷史數據也是由於輸入導致的，所以，從這個意義上，我們更應該關注哪些維度形成了歷史的數據這個結果；
舉個例子，某天污染氣體排放量是X噸，pm是y，當然，排放量只是一個維度，當我們建立起很多很多的維度的時候，這些維度又能直接加權輸出Y值，這個模型就比較准確了；
你說的預測，個人覺得從時間序列分析的角度說，也行的通，但不好解釋，結果更是不可控，比如今年禁煤，這個冬天比起往年的數據是否是小一些，但是從模型來說，趨勢肯定是升的，最終預測肯定比去年高；
正確的方式是，獲取各種和PM2.5相關的維度和數據，用這些維度數據做回歸，以PM2.5的值做監督值，進行模型訓練，把這些維度和PM2.5的值建立起關系，得到模型，才是一個好用的模型。
最後，當你搜集到【維度值】-->【PM2.5】這種樣本足夠多時，你可以用任何任何機器學習演算法去建模，神經網路也好，CART也好，SVR也好，就簡單的多了，多試試？
㈢ ARIMA時間序列建模過程——原理及python實現
原文鏈接：http://tecdat.cn/?p=20742
時間序列被定義為一系列按時間順序索引的數據點。時間順序可以是每天，每月或每年。
以下是一個時間序列示例，該示例說明了從1949年到1960年每月航空公司的乘客數量。
最受歡迎的見解
1.在python中使用lstm和pytorch進行時間序列預測
2.python中利用長短期記憶模型lstm進行時間序列預測分析
3.使用r語言進行時間序列（arima，指數平滑）分析
4.r語言多元copula-garch-模型時間序列預測
5.r語言copulas和金融時間序列案例
6.使用r語言隨機波動模型sv處理時間序列中的隨機波動
7.r語言時間序列tar閾值自回歸模型
8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類
9.python3用arima模型進行時間序列預測
㈣ 如何在python中用lstm網路進行時間序列預測
時間序列建模器 圖表那個選項卡 左下勾選 擬合值 就可以了。我的為什麼不出現預測值啊啊啊啊~~
㈤ 用Python和Keras做LSTM神經網路普通電腦可以嗎
你好，如果數據量不大的話，普通電腦可以的。如果數據量很大，建議使用雲計算資源。
望採納。
㈥ lstm做交通預測的輸入輸出是什麼樣的
間序列預測分析就是利用過去一段時間內某事件時間的特徵來預測未來一段時間內該事件的特徵。這是一類相對比較復雜的預測建模問題，和回歸分析模型的預測不同，時間序列模型是依賴於事件發生的先後順序的，同樣大小的值改變順序後輸入模型產生的結果是不同的。
舉個栗子：根據過去兩年某股票的每天的股價數據推測之後一周的股價變化；根據過去2年某店鋪每周想消費人數預測下周來店消費的人數等等
RNN 和 LSTM 模型
時間序列模型最常用最強大的的工具就是遞歸神經網路（recurrent neural network, RNN）。相比與普通神經網路的各計算結果之間相互獨立的特點，RNN的每一次隱含層的計算結果都與當前輸入以及上一次的隱含層結果相關。通過這種方法，RNN的計算結果便具備了記憶之前幾次結果的特點。
典型的RNN網路結構如下：
㈦ python 時間序列模型中forecast和predict的區別
舉例說明，2017.01.01-.017.12.31的周期為12的月度數據中，用ARIMA擬合得到模型model。
model.get_prediction(start='2017.09.01'）則得到用擬合模型計算出來的樣本內2017.09.01-2017.12.31的預測值；
model.get_forcast(step=5)則得到樣本外推5期即2018.01.01-2018.05.31五個月的預測值；
註：
model.get_prediction也可做外推值的預測，設定好具體終止周期即可。
㈧ python lstm怎麼加入特徵
LSTM是啥，Long Short Term Memory？弄神經網路除非你有絕對自信還是用Python吧。
㈨ Python人工智慧和深度學習有哪些區別
python 人工智慧
讓我們找出人工智慧到底是什麼。使人類通常執行的智力任務自動化的努力。因此，人工智慧是一個涵蓋機器學習和深度學習的通用領域，但還包括許多不涉及任何學習的方法。現代意義上的人工智慧歷史始於1950年代，當時艾倫·圖靈(Alan Turing)和達特茅斯(Dartmouth)工作坊的作品匯聚了該領域的第一批愛好者，並在其中闡述了人工智慧科學的基本原理。此外，為了成為當今世界科學的關鍵領域之一，該行業經歷了利益激增和隨後的衰退(所謂的「人工智慧冬天」)的幾個周期。值得一提的是強人工智慧和弱人工智慧的假設。強大的AI可以獨立思考和意識到自己。弱小的AI被剝奪了這種能力，僅執行一定范圍的任務(下棋，識別圖像中的貓咪或 繪制圖片，費用為432,500美元)。現有的所有AI都很薄弱，不用擔心。如今，很難想像沒有使用AI的任何類型的活動。無論您是開車，自拍照，在網上商店自己買運動鞋還是計劃假期，幾乎每個地方都有小型，薄弱但已經非常有用的人工智慧為您提供幫助。
深度學習
深度學習涉及深度神經網路。關於深度的意見可能會有所不同。一些專家認為，如果網路具有多個隱藏層，則可以將其視為深度網路;而另一些專家則認為，只有具有許多隱藏層的網路才可以視為深度網路。現在有幾種類型的神經網路正在積極使用。其中最受歡迎的是以下幾種：(1)長短期記憶(LSTM) -用於文本分類和生成，語音識別，音樂作品生成以及時間序列預測。(2)卷積神經網路(CNN) -用於圖像識別，視頻分析和自然語言處理任務。