通过20天预测7天

训练集和测试集如何划分,我如何知道期望和实际的对比。

当你希望通过过去20天的数据来预测未来7天时,你需要进行以下步骤:

  1. **数据准备:** 将过去20天的数据整理成合适的格式,其中包括20天的特征和未来7天的目标。

  2. **划分训练集和测试集:** 将整理好的数据划分为训练集和测试集。例如,你可以使用前15天的数据作为训练集,后5天的数据作为测试集。

  3. **模型训练:** 使用训练集来训练你的时间序列预测模型。这可能涉及到选择适当的模型结构(如LSTM、GRU等)、调整超参数等步骤。

  4. **模型预测:** 使用训练好的模型在测试集上进行未来7天的预测。

  5. **评估模型性能:** 比较模型预测的未来7天和实际的未来7天数据,评估模型的性能。这可以通过计算预测值和实际值之间的误差指标(如均方误差、平均绝对误差等)来完成。

以下是一个简单的例子,展示了如何实现这个过程:

python 复制代码
```python
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import LSTM, Dense

# 假设你有一个包含股票开盘价的numpy数组
stock_prices = np.array([/* 包含至少27天的开盘价数据 */])

# 创建特征(X)和目标(y)
def create_dataset(dataset, look_back=20, look_forward=7):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-look_forward+1):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i+look_back:i+look_back+look_forward, 0])
    return np.array(dataX), np.array(dataY)

# 归一化数据
scaler = MinMaxScaler(feature_range=(0, 1))
stock_prices_scaled = scaler.fit_transform(stock_prices.reshape(-1, 1))

# 创建特征和目标
X, y = create_dataset(stock_prices_scaled)

# 划分数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)

# 转换数据为LSTM的输入格式 [样本数, 时间步, 特征数]
X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))
X_test = np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1]))

# 构建LSTM模型
model = Sequential()
model.add(LSTM(units=50, input_shape=(1, 20)))
model.add(Dense(units=7))
model.compile(optimizer='adam', loss='mean_squared_error')

# 模型训练
model.fit(X_train, y_train, epochs=50, batch_size=32)

# 模型测试
predictions = model.predict(X_test)

# 反归一化预测值和实际值
predictions = scaler.inverse_transform(predictions)
y_test = scaler.inverse_transform(y_test)

# 打印模型在测试集上的预测结果和实际观测结果
print("未来7天的预测结果:", predictions[-1])
print("实际结果:", y_test[-1])
```

这个例子中,`look_back`参数是用来确定用多少天的数据作为输入特征,`look_forward`参数是用来确定预测未来多少天的数据。在你的实际应用中,你可以根据具体问题来调整这两个参数。

相关推荐
张较瘦_1 小时前
[论文阅读] 人工智能 + 软件工程 | 需求获取访谈中LLM生成跟进问题研究:来龙去脉与创新突破
论文阅读·人工智能
一 铭2 小时前
AI领域新趋势:从提示(Prompt)工程到上下文(Context)工程
人工智能·语言模型·大模型·llm·prompt
麻雀无能为力6 小时前
CAU数据挖掘实验 表分析数据插件
人工智能·数据挖掘·中国农业大学
时序之心6 小时前
时空数据挖掘五大革新方向详解篇!
人工智能·数据挖掘·论文·时间序列
.30-06Springfield6 小时前
人工智能概念之七:集成学习思想(Bagging、Boosting、Stacking)
人工智能·算法·机器学习·集成学习
说私域7 小时前
基于开源AI智能名片链动2+1模式S2B2C商城小程序的超级文化符号构建路径研究
人工智能·小程序·开源
永洪科技7 小时前
永洪科技荣获商业智能品牌影响力奖,全力打造”AI+决策”引擎
大数据·人工智能·科技·数据分析·数据可视化·bi
shangyingying_17 小时前
关于小波降噪、小波增强、小波去雾的原理区分
人工智能·深度学习·计算机视觉
书玮嘎9 小时前
【WIP】【VLA&VLM——InternVL系列】
人工智能·深度学习
猫头虎9 小时前
猫头虎 AI工具分享:一个网页抓取、结构化数据提取、网页爬取、浏览器自动化操作工具:Hyperbrowser MCP
运维·人工智能·gpt·开源·自动化·文心一言·ai编程