AI ninja project [day 17] 时间序列预测

这里可以先聊一下时间序列预测的处理，
假设你忘记了你会LSTM，也忘记了你会RNN，
该怎麽处理时间序列资料呢?

我可能会先用SVR来当作我的垫档装:

但是官网也强调了超过10000笔资料效果会不好。

import numpy as np
from sklearn.svm import SVR

X = np.array([0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19]).reshape(-1, 1)
y = np.sin(X).ravel()

svr_poly = SVR(kernel='poly', C=100, gamma='auto', degree=3, epsilon=.1,
               coef0=1)
print(X)
ans = svr_poly.fit(X, y).predict([[20]])
print(ans)

小小的测试一下:

再来，这里使用autokeras的TimeSeriesForecaster，
为何不使用tensorflow 来做呢?
是因为tensorflow还需要自己切分以过去多少笔来当作预测基准，
以及未来预测多少笔都要自己搭建function。
但是autokeras只要设定参数就可以了。

资料集下载:
https://archive.ics.uci.edu/ml/machine-learning-databases/00360/AirQualityUCI.zip

下载完之後我们把资料集的csv上传到colab，并查看有没有上传成功:

安装autokeras:

载入套件:

资料清洗，并去除不需要的栏位:

区分训练集及验证集:

特徵转成浮点数格式:

未来以整体资料来测试:

设定训练目标(label):

要预测的值以过去10笔资料(lookback、window)来参考，要预测未来10笔:

结果作图:

假设要保存autokeras模型可以参考这个页面:
https://autokeras.com/tutorial/export/

参考资料:
https://autokeras.com/tutorial/timeseries_forecaster/

官网colab目前运行会有错误，所以我建议自己写一个。