使用线性回归预测 python 中时间序列数据的 y 值

Question

我想使用线性回归预测代表 # of A-type clients/ time 的 Y 值，其中 X 值是时间序列数据。

密码是

 df1 = pd.DataFrame({'time': past_time_array, 'A_clients': client_A_array})
        x_a = np.arange(len(past_time_array))
        fit_A = np.polyfit(x_a, df1['A_clients'], 1)
        fit_fn_A = np.poly1d(fit_A)


        print df1
        print "fitness function = %s" %fit_fn_A

print df1 的结果是

   A_clients                time
0           0 2018-02-09 14:45:00
1           0 2018-02-09 14:46:00
2           1 2018-02-09 14:47:00
3           4 2018-02-09 14:48:00
4           4 2018-02-09 14:49:00
5           2 2018-02-09 14:50:00
6           2 2018-02-09 14:51:00
7           2 2018-02-09 14:52:00
8           2 2018-02-09 14:53:00
9           4 2018-02-09 14:54:00
10          1 2018-02-09 14:55:00
11          3 2018-02-09 14:56:00
12          4 2018-02-09 14:57:00
13          2 2018-02-09 14:58:00
14          4 2018-02-09 14:59:00
15          3 2018-02-09 15:00:00
16          1 2018-02-09 15:01:00
17          1 2018-02-09 15:02:00
18          0 2018-02-09 15:03:00
19          4 2018-02-09 15:04:00
20          1 2018-02-09 15:05:00
21          1 2018-02-09 15:06:00
22          4 2018-02-09 15:07:00
23          4 2018-02-09 15:08:00

print "fitness function = %s" %fit_fn_A 的结果是

0.0001389 x + 2.213

问题是当我尝试预测像

这样的值时

predicted_ta = fit_fn_A(x_a[10])
print "predicted values = %f"%predicted_ta

它总是给我 2.213 这是 y = mx+c

的 c 值

最佳拟合线如下所示

编辑 1

当我每 2 分钟而不是一次计算 #clietns 时，回归线有一些斜率

Answer 1

值的预测是正确的，但在我计算 number of clients/ minute 之前，该图是线性的，如上所示。因此，当我计算 number of clients/ 2 minutes 的回归线时，适应度函数给出了正确的结果。

Answer 2

你不能在这里应用他的模型。完全没有依赖性。

尝试计算总客户数 (value[x] = sum(value[: x])。通常它非常适合 log() 模型。

使用线性回归预测 python 中时间序列数据的 y 值

predicting y values of time series data in python using linear regression

python

linear-regression

pandas

data-science

编辑 1