Time-Series-ARIMA-XGBOOST-RNN

单个家庭电力的时间序列预测 数据集: https://archive.ics.uci.edu/ml/datasets/individual+household+electric+power+consumption 该数据是在 2006 年 12 月至 2010 年 11 月期间(47 个月)以一分钟的采样率收集的。共有六个独立变量(电气量和子计量值)和一个数值型依赖变量全球有效功率,共 2,075,259 个观测值。我们的目标是预测未来的全球有效功率。

在这里,为了简化,我们丢弃了缺失值。此外,我们发现并非所有观测值都按日期时间排序。因此,我们将明确的时间戳作为索引来分析数据。在预处理步骤中,我们对原始数据进行桶平均处理,以减少来自一分钟采样率的噪声。为了简化,我们只关注原始数据集的最后 18000 行(2010 年 11 月最新的数据)。

Python 文件列表:

• Gpower_Arima_Main.py : 单变量 ARIMA 模型的可执行程序 Python。
• myArima.py : 实现了一些用于 ARIMA 模型的可调用方法的类。
• Gpower_Xgb_Main.py : 树基模型 (xgboost) 的可执行程序 Python。
• myXgb.py : 实现了用于 xgboost 模型的一些函数。
• lstm_Main.py : LSTM 模型的可执行程序 Python。
• lstm.py : 实现了一种使用 LSTMCell 的时间序列模型的类。这要归功于 https://github.com/hzy46/TensorFlow-Time-Series-Examples/blob/master/train_lstm.py。
• util.py : 实现了用于数据预处理的各种函数。
• Exploratory_analysis.py : 数据的探索性分析和图表。

在这里,我使用了 3 种不同的方法来模拟电力消耗的模式。