全文下载链接： http://tecdat.cn/?p=27042
最近我们被客户要求撰写关于新冠疫情的研究报告，包括一些图形和统计输出。
在本文中，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
from numpy.random import seed
plt.plot(F[i], label = RD[i])
plt.show()
# 我们不需要前两列
d1=d1.iloc[:,2:]
# # 检查是否有空值
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)
点击标题查阅往期内容
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
左右滑动查看更多
01
02
03
04
plt.plot(dalnimedases)
ne_ces = daiy_onme_as.diff().dropna().astype(np.int64)
newcaes
plt.plot(ne_s[1:])
nw_s.shape
(153,)
将数据拆分为训练和测试数据
ct=0.75
trin_aa,tet_aa = train_test_split(ne_ces, pct)
(116,)
``````
plt.plot(tainta)
plt.plot(tesata)
数据标准化
scaler = MinMaxScaler()
testa.shape
(38, 1)
创建序列
lentTe = len(ts_data)
for i in range(timmp, lenhTe):
X_st.append(tst_aa[i-tmStap:i])
y_tt.append(tesata[i])
X_tet=np.array(X_ts)
ytes=np.array(y_tt)
X_st.shape
Xtrn.shape
# 序列的样本
X_trn[0], yran[0]
为股票价格预测设计 RNN 模型
模型：
- LSTM
- GRU
model.summary()
model.fit(X_trn y_rin, epochs=50, batch_size=200)
yprd = (mod.predict(X_test))
MSE = mean_squared_error(ytue, y_rd)
plt.figure(figsize=(14,6))
meRU= Sqtal([
keras.layers.GRU(
model_GRU.fit(Xtrn, ytin,epochs=50,batch_size=150)
pe_rut = {}
y_ue = (y_et.reshape(-1,1))
y_prd = (modlGU.predict(X_test))
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
df1.head()
daly_nfrd_cses = df1.sum(axis=0)
day_cnir_ase.index = pd.to_datetime(da_onieses.index)
new_cs = dacofmecss.diff().dropna().astype(np.int64)
tri_ta,tet_ata = trintt_it(nw_es, pct)
ero = men_squred_eror(ts_ar, pricos)
plt.figure(figsize=(12,7))
plt.plot(tanat)
点击文末 “阅读原文”
获取全文完整资料。
本文选自《Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID19新冠疫情人数时间序列预测》。
点击标题查阅往期内容
【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享
深度学习实现自编码器Autoencoder神经网络异常检测心电图ECG时间序列spss modeler用决策树神经网络预测ST的股票
Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化
RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户流失模型
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与结果评估可视化
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言深度学习Keras循环神经网络(RNN)模型预测多输出变量时间序列
R语言KERAS用RNN、双向RNNS递归神经网络、LSTM分析预测温度时间序列、 IMDB电影评分情感
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类