如何用LSTM、GRU、回归和ARIMA预测COVID-19新增病例，实现长尾词时间序列建模？

本文共计991个文字，预计阅读时间需要4分钟。

该数据基于全球各国提供的新病例数据。获取时间序列数据，使用以下代码：pythondf=pd.read_csv(C:/global.csv)为了找出每天的新病例，我们需要对数据进行探索。此表中的数据以累计形式呈现，为了找出每天的新病例，我们需要减少这些值。如下所示：pythondf

该数据根据世界各国提供的新病例数据提供。

获取时间序列数据

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

探索数据

此表中的数据以累积的形式呈现，为了找出每天的新病例，我们需要减去这些值

df.head(10)

这些数据是根据国家和地区报告新病例的数据，但我们只想预测国家的新病例，因此我们使用 groupby 根据国家对它们进行分组

总结数据

执行 groupby 以根据一个国家的新病例来汇总数据，而不是根据地区

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

描述随机选择的国家的累计新病例增长

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

1. # 我们不需要前两列
2. d1=d1.iloc[:,2:]

1. # # 检查是否有空值
2.
3. d1.isnull().sum().any()

我们可以对每个国家进行预测，也可以对所有国家进行预测，这次我们对所有国家进行预测

dlycnmdcas.head()

dalycnfreces.index

dal_cnre_ces.index = pd.to_datetime(dailyonfrmd_as.index)

plt.plot(dalnimedases)

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

plt.plot(ne_s[1:])

nw_s.shape

(153,)

将数据拆分为训练和测试数据

1.
2. ct=0.75
3. trin_aa,tet_aa = train_test_split(ne_ces, pct)
(116,)1. plt.plot(tainta)
2. plt.plot(tesata)

数据标准化

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

创建序列

1.
2. lentTe = len(ts_data)
3. for i in range(timmp, lenhTe):
4. X_st.append(tst_aa[i-tmStap:i])
5. y_tt.append(tesata[i])
6.
7. X_tet=np.array(X_ts)
8. ytes=np.array(y_tt)
X_st.shape

Xtrn.shape

1.
2. # 序列的样本
3. X_trn[0], yran[0]

为股票价格预测设计RNN模型

模型：

1. LSTM
2. GRU
model.summary()

model.summary()

model.fit(X_trn y_rin, epochs=50, batch_size=200)

1.
2. yprd = (mod.predict(X_test))
3. MSE = mean_squared_error(ytue, y_rd)
4.
5. plt.figure(figsize=(14,6))

1. meRU= Sqtal([
2. keras.layers.GRU(
3.
4.
5.
6.
7. model_GRU.fit(Xtrn, ytin,epochs=50,batch_size=150)

1. pe_rut = {}
2.
3. y_ue = (y_et.reshape(-1,1))
4. y_prd = (modlGU.predict(X_test))
5. MSE = mean_squared_error(y_ue, ed)

用于预测新病例的机器学习算法

准备数据

d__in.shape

moel=LinearRegression(nos=-2)

ARIMA

COVID-19 新病例预测的自回归综合移动平均线

#我们不需要前两列

1. df1.head()
2. daly_nfrd_cses = df1.sum(axis=0)
3. day_cnir_ase.index = pd.to_datetime(da_onieses.index)
4. new_cs = dacofmecss.diff().dropna().astype(np.int64)
5.
6. tri_ta,tet_ata = trintt_it(nw_es, pct)

1.
2. ero = men_squred_eror(ts_ar, pricos)

1. plt.figure(figsize=(12,7))
2. plt.plot(tanat)

---