Спасибо за чтение. Я не очень хорош в Engli sh.
Мне интересно, как предсказать и получить данные будущих временных рядов после обучения модели. Я хотел бы получить значения после N шагов.
Интересно, были ли данные временного ряда правильно изучены и предсказаны.
Как мне правильно получить следующее (следующее) значение?
Я хочу получить следующее значение, используя аналогично model.predict или et c
У меня есть x_test и x_test[-1] == t, поэтому значение следующего значения равно t+1, t+2, .... t+n,
В этом примере я хочу получить прогнозы следующего t+1, t+2 ... t+n
Первый
Я пытался использовать данные фондового индекса
inputs = total_data[len(total_data) - forecast - look_back:]
inputs = scaler.transform(inputs)
X_test = []
for i in range(look_back, inputs.shape[0]):
X_test.append(inputs[i - look_back:i])
X_test = np.array(X_test)
predicted = model.predict(X_test)
но результат как ниже
Результаты X_test[-20:] и следующих 20 прогнозов выглядят одинаково.
I Мне интересно, если это правильный поезд и прогнозируемое значение.
Мне интересно, было ли это правильное обучение и прогноз.
полный источник
Метод, который я попробовал первым, не работал правильно.
Секунды
Я понял, что что-то не так, я попытался использовать другой официальный да ta
Итак, я использовал временные ряды в руководстве Tensorflow, чтобы попрактиковаться в прогнозировании модели.
a = y_val[-look_back:]
for i in range(N-step prediction): # predict a new value n times.
tmp = model.predict(a.reshape(-1, look_back, num_feature)) # predicted value
a = a[1:] # remove first
a = np.append(a, tmp) # insert predicted value
Результаты были предсказаны в форме линейной регрессии, очень отличающейся от реальных данных.
Вывести линейную регрессию, которая не зависит от реальных данных:
полный источник (после 25-й строки мой код.)
Мне действительно очень любопытно, что является стандартным методом прогнозирования следующих значений фондового рынка.
Спасибо за чтение длинного вопроса. Я прошу совета по поводу вашего бесценного мнения.