python利用支持向量机SVM进行时间序列预测（数据+源码）

共2个文件

py：1个

xlsx：1个

版权申诉

python

时间序列

5星 · 超过95%的资源 178 浏览量 2022-04-18 23:14:11 上传评论 36 收藏 34KB ZIP 举报

支持向量机（Support Vector Machine，简称SVM）是一种强大的监督学习模型，广泛应用于分类和回归任务，包括时间序列预测。在本主题中，我们将深入探讨如何使用Python和SVM来预测时间序列数据，同时结合提供的`demo.py`源代码和`data.xlsx`数据文件。时间序列预测是对过去数据趋势的连续分析，用于预测未来的值。它在许多领域如金融、天气预报、销售预测等有广泛应用。SVM作为一种非线性模型，特别适合处理复杂的数据关系，因此在时间序列预测中表现出色。我们需要导入必要的Python库，如`pandas`用于数据处理，`numpy`进行数值计算，以及`sklearn`中的`svm`模块来实现SVM。`pandas`的`read_excel`函数可以读取`data.xlsx`文件： ```python import pandas as pd import numpy as np from sklearn import svm from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler # 读取Excel数据 df = pd.read_excel('data.xlsx') ``` 数据预处理是关键步骤。`StandardScaler`可以对数据进行归一化，确保特征在同一尺度上，这对SVM尤其重要： ```python scaler = StandardScaler() X = scaler.fit_transform(df.iloc[:, :-1]) # 特征数据 y = df.iloc[:, -1] # 目标变量 ``` 接下来，我们将数据集分为训练集和测试集，通常使用`train_test_split`函数： ```python X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 现在我们可以创建SVM回归模型。SVM回归通常使用`SVR`类，调整参数如`C`（正则化参数）和`kernel`（核函数）： ```python model = svm.SVR(kernel='rbf', C=1, gamma='scale') # 使用径向基函数（RBF）核 ``` 然后，我们用训练数据拟合模型： ```python model.fit(X_train, y_train) ``` 有了模型后，我们可以对测试集进行预测，并评估预测结果： ```python y_pred = model.predict(X_test) # 可以使用评价指标如均方误差（MSE）或决定系数（R^2）评估模型性能 from sklearn.metrics import mean_squared_error, r2_score mse = mean_squared_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) print(f'Mean Squared Error: {mse}, R^2 Score: {r2}') ``` `demo.py`中的代码可能类似上述流程，根据实际数据和需求调整参数。对于时间序列预测，还可以考虑使用滚动窗口（rolling window）来处理时间序列的序列性，即将历史数据的一定长度作为输入，预测下一个时间点的值。总结一下，本示例介绍了如何使用Python和SVM进行时间序列预测。通过加载数据、预处理、模型训练、预测和评估，我们可以构建一个SVM回归模型来预测时间序列数据。这个过程可以应用于各种实际场景，只要适当地调整参数和模型结构，就能适应不同的预测需求。

资源推荐

资源详情

资源评论

收起资源包目录

python利用支持向量机SVM进行时间序列预测（数据+源码）.zip （2个子文件）

demo.py 3KB

data.xlsx 35KB

# -*- coding: utf-8 -*- """ Created on Thu Aug 8 10:18:36 2019 @author: Admini """ import xlrd import matplotlib.pyplot as plt def read_20180829(): fname = "data.xlsx" bk = xlrd.open_workbook(fname) # shxrange = range(bk.nsheets) try: sh = bk.sheet_by_name("Sheet1") except: print("no sheet in %s named Sheet1" % fname) # 获取行数 nrows = sh.nrows # 获取列数 ncols = sh.ncols print("nrows %d, ncols %d" % (nrows, ncols)) # 获取第一行第一列数据 cell_value = sh.cell_value(1, 0) print(cell_value) time = [] single1 = [] single2 = [] single3 = [] # 获取各行数据 for i in range(1, nrows): row_data = sh.cell_value(i, 0) # print('time', row_data) time.append(row_data) for i in range(1, nrows): row_data = sh.cell_value(i, 1) # print('a', row_data) single1.append(row_data) for i in range(1, nrows): row_data = sh.cell_value(i, 2) # print('a', row_data) single2.append(row_data) for i in range(1, nrows): row_data = sh.cell_value(i, 3) # print('a', row_data) single3.append(row_data) return time,single1,single2,single3 time,single1,single2,single3 = read_20180829() plt.subplot(2, 2, 1) plt.plot(time, single1) plt.xlabel("time") plt.ylabel("single1") plt.subplot(2, 2, 2) plt.plot(time, single2) plt.xlabel("time") plt.ylabel("single2") plt.subplot(2, 2, 3) plt.plot(time, single3) plt.xlabel("time") plt.ylabel("single3") plt.show() #time时间列 single1 信号值取前多少个X_data预测下一个数据 def time_slice(time,single,X_lag): sample = [] label = [] for k in range(len(time) - X_lag - 1): t = k + X_lag sample.append(single[k:t]) label.append(single[t + 1]) return sample,label sample,label = time_slice(time,single1,5) from sklearn.externals import joblib from sklearn.grid_search import GridSearchCV from sklearn import svm from sklearn.model_selection import train_test_split from sklearn.utils import shuffle import numpy as np #数据集划分 X_train, X_test, y_train, y_test = train_test_split(sample, label, test_size=0.3, random_state=42) #数据集掷乱 random_seed = 13 X_train, y_train = shuffle(X_train, y_train, random_state=random_seed) #参数设置SVR准备 parameters = {'kernel':['rbf'], 'gamma':np.logspace(-5, 0, num=6, base=2.0),'C':np.logspace(-5, 5, num=11, base=2.0)} #网格搜索：选择十折交叉验证 svr = svm.SVR() grid_search = GridSearchCV(svr, parameters, cv=10, n_jobs=4, scoring='mean_squared_error') #SVR模型训练 grid_search.fit(X_train,y_train) #输出最终的参数 print(grid_search.best_params_) #模型的精度 print(grid_search.best_score_) #SVR模型保存 joblib.dump(grid_search,'svr.pkl') #SVR模型加载 svr=joblib.load('svr.pkl') #SVR模型测试 y_hat = svr.predict(X_test) #计算预测值与实际值的残差绝对值 abs_vals= np.abs(y_hat-y_test) import matplotlib.pyplot as plt plt.subplot(2, 1, 1) plt.plot(y_test,c='k',label='data') plt.plot(y_hat,c='g',label='svr model') plt.xlabel('data') plt.ylabel('target') plt.title('Support Vector Regression') plt.legend() plt.show() plt.subplot(2, 2, 1) plt.plot(abs_vals) plt.show()

评论收藏

内容反馈

版权申诉