㈠ arima模型python 怎么看平稳性
时间序列分析(一) 如何判断序列是否平稳
序列平稳不平稳，一般采用两种方法：
第一种：看图法
图是指时序图，例如(eviews画滴)：
分析：什么样的图不平稳，先说下什么是平稳，平稳就是围绕着一个常数上下波动。
看看上面这个图，很明显的增长趋势，不平稳。
第二种：自相关系数和偏相关系数
还以上面的序列为例：用eviews得到自相关和偏相关图，Q统计量和伴随概率。
分析：判断平稳与否的话，用自相关图和偏相关图就可以了。
平稳的序列的自相关图和偏相关图不是拖尾就是截尾。截尾就是在某阶之后，系数都为 0 ，怎么理解呢，看上面偏相关的图，当阶数为 1 的时候，系数值还是很大， 0.914. 二阶长的时候突然就变成了 0.050. 后面的值都很小，认为是趋于 0 ，这种状况就是截尾。再就是拖尾，拖尾就是有一个衰减的趋势，但是不都为 0 。
自相关图既不是拖尾也不是截尾。以上的图的自相关是一个三角对称的形式，这种趋势是单调趋势的典型图形。
下面是通过自相关的其他功能
如果自相关是拖尾，偏相关截尾，则用 AR 算法
如果自相关截尾，偏相关拖尾，则用 MA 算法
如果自相关和偏相关都是拖尾，则用 ARMA 算法， ARIMA 是 ARMA 算法的扩展版，用法类似 。
不平稳，怎么办？
答案是差分
还是上面那个序列，两种方法都证明他是不靠谱的，不平稳的。确定不平稳后，依次进行1阶、2阶、3阶...差分，直到平稳位置。先来个一阶差分，上图。
从图上看，一阶差分的效果不错，看着是平稳的。
㈡ python 有什么方法能进行pm2.5预测
如你所说，现有的都是从历史预测未来，但是我们在做模型的时候，更关注的是，哪些维度可以对结果有表征性，哪些维度没有
比如PM2.5，只看历史数据，无疑，随时间肯定会越来越高，但是这是我们需要的结果吗？难道我们做预测不应该是将输入和输出建立一定的关系么？历史数据也是由于输入导致的，所以，从这个意义上，我们更应该关注哪些维度形成了历史的数据这个结果；
举个例子，某天污染气体排放量是X吨，pm是y，当然，排放量只是一个维度，当我们建立起很多很多的维度的时候，这些维度又能直接加权输出Y值，这个模型就比较准确了；
你说的预测，个人觉得从时间序列分析的角度说，也行的通，但不好解释，结果更是不可控，比如今年禁煤，这个冬天比起往年的数据是否是小一些，但是从模型来说，趋势肯定是升的，最终预测肯定比去年高；
正确的方式是，获取各种和PM2.5相关的维度和数据，用这些维度数据做回归，以PM2.5的值做监督值，进行模型训练，把这些维度和PM2.5的值建立起关系，得到模型，才是一个好用的模型。
最后，当你搜集到【维度值】-->【PM2.5】这种样本足够多时，你可以用任何任何机器学习算法去建模，神经网络也好，CART也好，SVR也好，就简单的多了，多试试？
㈢ ARIMA时间序列建模过程——原理及python实现
原文链接：http://tecdat.cn/?p=20742
时间序列被定义为一系列按时间顺序索引的数据点。时间顺序可以是每天，每月或每年。
以下是一个时间序列示例，该示例说明了从1949年到1960年每月航空公司的乘客数量。
最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析
3.使用r语言进行时间序列（arima，指数平滑）分析
4.r语言多元copula-garch-模型时间序列预测
5.r语言copulas和金融时间序列案例
6.使用r语言随机波动模型sv处理时间序列中的随机波动
7.r语言时间序列tar阈值自回归模型
8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类
9.python3用arima模型进行时间序列预测
㈣ 如何在python中用lstm网络进行时间序列预测
时间序列建模器 图表那个选项卡 左下勾选 拟合值 就可以了。我的为什么不出现预测值啊啊啊啊~~
㈤ 用Python和Keras做LSTM神经网络普通电脑可以吗
你好，如果数据量不大的话，普通电脑可以的。如果数据量很大，建议使用云计算资源。
望采纳。
㈥ lstm做交通预测的输入输出是什么样的
间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。
举个栗子：根据过去两年某股票的每天的股价数据推测之后一周的股价变化；根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等
RNN 和 LSTM 模型
时间序列模型最常用最强大的的工具就是递归神经网络（recurrent neural network, RNN）。相比与普通神经网络的各计算结果之间相互独立的特点，RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关。通过这种方法，RNN的计算结果便具备了记忆之前几次结果的特点。
典型的RNN网路结构如下：
㈦ python 时间序列模型中forecast和predict的区别
举例说明，2017.01.01-.017.12.31的周期为12的月度数据中，用ARIMA拟合得到模型model。
model.get_prediction(start='2017.09.01'）则得到用拟合模型计算出来的样本内2017.09.01-2017.12.31的预测值；
model.get_forcast(step=5)则得到样本外推5期即2018.01.01-2018.05.31五个月的预测值；
注：
model.get_prediction也可做外推值的预测，设定好具体终止周期即可。
㈧ python lstm怎么加入特征
LSTM是啥，Long Short Term Memory？弄神经网络除非你有绝对自信还是用Python吧。
㈨ Python人工智能和深度学习有哪些区别
python 人工智能
让我们找出人工智能到底是什么。使人类通常执行的智力任务自动化的努力。因此，人工智能是一个涵盖机器学习和深度学习的通用领域，但还包括许多不涉及任何学习的方法。现代意义上的人工智能历史始于1950年代，当时艾伦·图灵(Alan Turing)和达特茅斯(Dartmouth)工作坊的作品汇聚了该领域的第一批爱好者，并在其中阐述了人工智能科学的基本原理。此外，为了成为当今世界科学的关键领域之一，该行业经历了利益激增和随后的衰退(所谓的“人工智能冬天”)的几个周期。值得一提的是强人工智能和弱人工智能的假设。强大的AI可以独立思考和意识到自己。弱小的AI被剥夺了这种能力，仅执行一定范围的任务(下棋，识别图像中的猫咪或 绘制图片，费用为432,500美元)。现有的所有AI都很薄弱，不用担心。如今，很难想象没有使用AI的任何类型的活动。无论您是开车，自拍照，在网上商店自己买运动鞋还是计划假期，几乎每个地方都有小型，薄弱但已经非常有用的人工智能为您提供帮助。
深度学习
深度学习涉及深度神经网络。关于深度的意见可能会有所不同。一些专家认为，如果网络具有多个隐藏层，则可以将其视为深度网络;而另一些专家则认为，只有具有许多隐藏层的网络才可以视为深度网络。现在有几种类型的神经网络正在积极使用。其中最受欢迎的是以下几种：(1)长短期记忆(LSTM) -用于文本分类和生成，语音识别，音乐作品生成以及时间序列预测。(2)卷积神经网络(CNN) -用于图像识别，视频分析和自然语言处理任务。