1. 【Python时序预测系列】基于LSTM实现多变量时间序列预测（案例+源码）
此文章探索基于LSTM在Python环境下，实现多变量时间序列预测的实践。重点在于单站点多变量单步预测，以股票价格预测为案例。
首先，数据集被导入，包含5203条记录。数据按照8:2的比例划分为训练集与测试集，其中训练集有4162条数据，测试集有1041条数据。
为了进行预测，数据集需要进行归一化处理。接着，使用滑动窗口技术构建LSTM数据集。窗口大小设为30，这样前30天的数据作为特征，预测第31天的某单一变量。训练集构建后，数据量减少至4132个样本，而测试集则有1011个样本，旨在预测4163-5203区间内的数据。
LSTM模型在训练集上进行建立与调整，然后用于预测。预测结果展示在测试集上，对比真实值与预测值，以评估模型表现。
为了验证模型在新数据集上的预测能力，作者提供了一段代码，演示如何在新的数据集上应用已训练的模型进行预测。
作者拥有丰富的学术与工作经验，专注于数据算法研究，致力于以通俗易懂的方式分享Python、数据分析、机器学习等领域的知识。关注公众号“数据杂坛”，获取相关数据集与源代码，持续学习并分享。
2. 时间序列预测Prophet模型及Python实现
Prophet模型是Facebook开发的，用于时间序列预测的灵活框架。该模型将时间序列分解为趋势、季节性、假日效应和噪声四个主要成分，以实现精准预测。模型提供加法和乘法两种模型。在加法模型中，预测值为趋势、季节性和假期效应的总和。乘法模型中，预测值是趋势、季节性和假期效应的乘积。两种模型适用于不同类型的时间序列，通常加法模型适用于与数据规模无关的趋势和季节性，如气温、降雨量；而乘法模型适用于与数据规模相关的趋势和季节性，如商品销售量、股票价格。
Prophet库的默认参数包括：时间戳为ds，时间序列值为y。数据预处理通常包括修改DataFrame的列名，使其符合ds和y的标准。数据通常需要进行归一化操作。初始化模型后，进行拟合并预测时间序列。预测结果通常通过绘图展示。周期性分解可用于分析特定周期模式。
提供两个代码示例，第一个示例采用线性形式的增长趋势，第二个示例将增长趋势更改为logistic形式，上限为3，以此展示模型预测时的增长动态。
Prophet库的优点包括：灵活性高，适用于多种时间序列预测；易于使用，参数调整简单；预测结果直观。缺点可能包括：对数据的依赖性较高，可能需要较多数据以获得准确预测；模型复杂度可能影响预测性能。使用时需要注意模型的适应性，选择合适的模型类型，以及对数据的适当预处理。