Prognose mit Zeitreihen, die in python

Benötige ich etwas Hilfe von Euch.
Ich möchte, um vorherzusagen, die nächsten Werte einer Variablen Y (c_start), wenn X (Tag) repräsentieren die Zeit.
Wie Sie im Bild sehen können, habe ich die Werte für das Attribut "c_start" und ich möchte, um vorherzusagen, die nächsten "c_start" Werte für die nächsten 7 Tage(zum Beispiel).
Kann mir jemand helfen?

Thx Jungs!
Prognose mit Zeitreihen, die in python

Prognose mit Zeitreihen, die in python

Bitte posten raw input data, code Sie Ihre Bemühungen und die gewünschte Ausgabe anstatt ein Bild
Sie können sehen, die rohen Eingabedaten in den ersten pic
eine raw-csv-Daten-Datei benötigt wird. Sie können laden Sie es entweder über einen dropbox-sharelink oder google-Treiber.
Sorry, aber ich (und wahrscheinlich noch andere) werde nicht zur übertragung von einem Bild Ihrer Eingabedaten zu rekonstruieren und ein df aus, dass, wenn Sie Hilfe wollen dann müssen Sie uns helfen, damit wir dir helfen
In meinem df, die nur die Spalten, die wir brauchen, um vorherzusagen, die Zukunft sind: "Tag"(die 2.) und "c_start" (der 6.), die anderen sind nutzlos. Ich verstehe nicht, Ihre Fragen

InformationsquelleAutor issouluch | 2015-07-13

  1. 9

    Untersuchen die ARMA-Modell in einer Probe Gruppe:

    import pandas as pd
from pandas.tseries.offsets import *
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm

csv_file = '/home/Jian/Downloads/analyse vtr.csv'
df = pd.read_csv(csv_file, index_col=[0], sep='\t')
grouped = df.groupby('adserver_id')
group = list(grouped)[0][1]

ts_data = pd.TimeSeries(group.c_start.values, index=pd.to_datetime(group.day))
# positive-valued process, looks non-stationary
# simple way is to do a log transform
fig, axes = plt.subplots(figsize=(10,8), nrows=3)
ts_data.plot(ax=axes[0])

ts_log_data = np.log(ts_data)
ts_log_data.plot(ax=axes[1], style='b-', label='actual')

# in-sample fit
# ===================================
model = sm.tsa.ARMA(ts_log_data, order=(1,1)).fit()
print(model.params)

y_pred = model.predict(ts_log_data.index[0].isoformat(), ts_log_data.index[-1].isoformat())
y_pred.plot(ax=axes[1], style='r--', label='in-sample fit')

y_resid = model.resid
y_resid.plot(ax=axes[2])

# out-sample predict
# ===================================
start_date = ts_log_data.index[-1] + Day(1)
end_date = ts_log_data.index[-1] + Day(7)

y_forecast = model.predict(start_date.isoformat(), end_date.isoformat())

print(y_forecast)


2015-07-11    7.5526
2015-07-12    7.4584
2015-07-13    7.3830
2015-07-14    7.3224
2015-07-15    7.2739
2015-07-16    7.2349
2015-07-17    7.2037
Freq: D, dtype: float64


# NOTE: this step introduces bias, it is used here just for simplicity
# E[exp(x)] != exp[E[x]]
print(np.exp(y_forecast))

2015-07-11    1905.6328
2015-07-12    1734.4442
2015-07-13    1608.3362
2015-07-14    1513.8595
2015-07-15    1442.1183
2015-07-16    1387.0486
2015-07-17    1344.4080
Freq: D, dtype: float64

    Prognose mit Zeitreihen, die in python

    Laufen die ARMA-Modell für jede Untergruppe (sehr zeitaufwendig):

    import pandas as pd
from pandas.tseries.offsets import *
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm

csv_file = '/home/Jian/Downloads/analyse vtr.csv'
df = pd.read_csv(csv_file, index_col=[0], sep='\t')
grouped = df.groupby('adserver_id')


def forecast_func(group):
    ts_log_data = np.log(pd.TimeSeries(group.c_start.values, index=pd.to_datetime(group.day)))
    # for some group, it raise convergence issue
    try:
        model = sm.tsa.ARMA(ts_log_data, order=(1,1)).fit()
        start_date = ts_log_data.index[-1] + Day(1)
        end_date = ts_log_data.index[-1] + Day(7)
        y_forecast = model.predict(start_date.isoformat(), end_date.isoformat())
        return pd.Series(np.exp(y_forecast).values, np.arange(1, 8))
    except Exception:
        pass


result = df.groupby('adserver_id').apply(forecast_func)

    Alternative Modelle: für schnelle Berechnung, betrachten die exponentielle Glättung; Auch habe ich die Daten sehen, die aussieht wie eine positiv-wertige Prozess mit einer Zeit-variierenden Possion-Verteilung, könnte erwägen state-space Modell mit pymc Modul.

    Vielen Dank für deine Hilfe @JianxunLi. Es scheint sehr gut zu funktionieren. Habt einen schönen Tag 🙂
    Sie sind das meiste willkommen. Froh, dass es geholfen hat.
    Natürlich hat es geholfen! Wissen Sie, was die "Ordnung" (sm.die tsa.ARMA(ts_log_data, order=(1,1))) bedeutet in diesem ARMA-Methode und wie kann ich es ändern, um andere Ergebnisse?
    Hi, ich versuche den oben genannten code auf meinem dataset. beim Einlesen der CSV-Datei; die Namen der Spalten sind beseitigt. Und es löst eine keyerror, wenn ich groupby. Bitte lassen Sie mich wissen, wie dieser Schritt getan

    InformationsquelleAutor Jianxun Li

Schreibe einen Kommentar