前言

以下内容是在学习过程中的一些笔记，难免会有错误和纰漏的地方。如果造成任何困扰，很抱歉。

一、场景描述

描述：这里可以添加本文要记录的大概内容

通过获取当月每天的电表能耗数据，以此来推算未来的每一天的电表数据情况，首先看看实际效果图

这里面包含了三条数据线

• 训练数据 - 蓝色
• 测试核准数据 - 橙色
• 预测值 - 绿色

这里面的预测数据还是有些虚高，主要还是因为维度过低以及数据量过少的缘故，但是从轨迹上看大致还行，在训练数据集越庞大的情况下预测的数据值会更加的准确。

这里面借鉴网友的代码采取了两种方案：

1. 自回归移动平均预测模型
2. 季节性预测模型

但是数据维度太低了，目前的自变量及因变量只有时间和能耗数据值，所以最终还是选择了自回归移动平均模型。

二、落地实践

描述：这里可以添加本文要记录的大概内容

首先我们将步骤分离为如下几个部分

1. 相关库引入

   import pandas as pd
   import matplotlib.pyplot as plt
   import statsmodels.api as sm
   

2. 数据集引入

   # 数据集导入
   df = pd.read_csv('能耗数据01.csv', nrows=33)
   

3. 数据集分类，训练集 or 测试集 - 训练集是给机器学习用，测试集是为了看预测值准不准

   # 训练集 / 测试集
   train = df[0:20]
   test = df[20:]
   

4. 数据格式处理

   # 时间戳格式处理
   df['Timestamp'] = pd.to_datetime(df['Datetime'], format='%Y/%m/%d')
   df.index = df['Timestamp']
   df = df.resample('D').mean()
   
   train['Timestamp'] = pd.to_datetime(train['Datetime'], format='%Y/%m/%d')
   train.index = train['Timestamp']
   train = train.resample('D').mean()
   
   test['Timestamp'] = pd.to_datetime(test['Datetime'], format='%Y/%m/%d')
   test.index = test['Timestamp']
   test = test.resample('D').mean()
   

5. 预测，查看结果

   # 坐标轴刻入
   train.Count.plot(figsize=(15, 8), title='Daily Train', fontsize=14)
   test.Count.plot(figsize=(15, 8), title='Daily Test', fontsize=14)
   # plt.show()
   
   # 自回归移动平均 预测模型
   y_hat_avg = test.copy()
   fit1 = sm.tsa.statespace.SARIMAX(train.Count, order=(2, 1, 4), seasonal_order=(0, 1, 1, 7)).fit()
   y_hat_avg['SARIMA'] = fit1.predict(start="2022/7/31", end="2022/8/10", dynamic=True)
   plt.figure(figsize=(16, 8))
   plt.plot(train['Count'], label='Train')
   plt.plot(test['Count'], label='Test')
   plt.plot(y_hat_avg['SARIMA'], label='xue xi hou')
   plt.legend(loc='best')
   plt.show()
   
   # 季节性 预测模型
   # y_hat_avg = test.copy()
   # fit1 = ExponentialSmoothing(np.asarray(train['Count']), seasonal_periods=7, trend='add', seasonal='add', ).fit()
   # y_hat_avg['Holt_Winter'] = fit1.forecast(len(test))
   # plt.figure(figsize=(16, 8))
   # plt.plot(train['Count'], label='Train')
   # plt.plot(test['Count'], label='Test')
   # plt.plot(y_hat_avg['Holt_Winter'], label='xue xi hou')
   # plt.legend(loc='best')
   # plt.show()
   

图解这个流程大概就是这样

在数据维度增多的情况下（标签分类也完整的情况下），数据必然是会越来越准确，但是也需要一个量的积累，上面的示例仅仅只是个一元回归，多元回归的预测必然复杂，但是也复合业务情况，所以以后会补充一些通用完善的业务代码与机器学习相结合，让大家都可以直接套用。

三、完整代码

描述：这里可以添加本文要记录的大概内容

import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm

# 数据集导入
df = pd.read_csv('能耗数据01.csv', nrows=33)

# 训练集 / 测试集
train = df[0:20]
test = df[20:]

# 时间戳格式处理
df['Timestamp'] = pd.to_datetime(df['Datetime'], format='%Y/%m/%d')
df.index = df['Timestamp']
df = df.resample('D').mean()

train['Timestamp'] = pd.to_datetime(train['Datetime'], format='%Y/%m/%d')
train.index = train['Timestamp']
train = train.resample('D').mean()

test['Timestamp'] = pd.to_datetime(test['Datetime'], format='%Y/%m/%d')
test.index = test['Timestamp']
test = test.resample('D').mean()

# 坐标轴刻入
train.Count.plot(figsize=(15, 8), title='Daily Train', fontsize=14)
test.Count.plot(figsize=(15, 8), title='Daily Test', fontsize=14)
# plt.show()

# 自回归移动平均 预测模型
y_hat_avg = test.copy()
fit1 = sm.tsa.statespace.SARIMAX(train.Count, order=(2, 1, 4), seasonal_order=(0, 1, 1, 7)).fit()
y_hat_avg['SARIMA'] = fit1.predict(start="2022/7/31", end="2022/8/10", dynamic=True)
plt.figure(figsize=(16, 8))
plt.plot(train['Count'], label='Train')
plt.plot(test['Count'], label='Test')
plt.plot(y_hat_avg['SARIMA'], label='xue xi hou')
plt.legend(loc='best')
plt.show()

# 季节性 预测模型
# y_hat_avg = test.copy()
# fit1 = ExponentialSmoothing(np.asarray(train['Count']), seasonal_periods=7, trend='add', seasonal='add', ).fit()
# y_hat_avg['Holt_Winter'] = fit1.forecast(len(test))
# plt.figure(figsize=(16, 8))
# plt.plot(train['Count'], label='Train')
# plt.plot(test['Count'], label='Test')
# plt.plot(y_hat_avg['Holt_Winter'], label='xue xi hou')
# plt.legend(loc='best')
# plt.show()

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容。