|
二氧化碳 (CO2) 和甲烷 (CH4) 等温室气体 (GHG) 会在大气中捕获热量，从而使我们的星球保持温暖，对生物物种友好。 无论如何，燃烧化石燃料等人类活动会导致大量温室气体排放，从而过度提高地球的全球平均温度2。 因此，向可持续的全球经济转型势在必行，这样我们才能减缓气候变化并确保我们物种的繁荣。 在本文中，我们将对大气 CO2 浓度数据应用时间序列预测，从而有机会探索机器学习与气候变化的交叉点。
时间序列库文件
Darts 库开发人员旨在使用 Python 简化时间序列分析和预测。 Darts 支持多种预测方法，包括 ARIMA 和指数平滑等经典统计模型，以及基于机器学习和深度学习的新方法。 此外，Darts 包含各种功能，可以让我们了解时间序列的统计特性，以及评估预测模型的准确性。
二氧化碳数据集
简述：数据集还包含经过季节性调整和平滑的数据版本，但我们的分析将只关注标准时间序列。
时间序列
简述：时间序列分析：我们将使用Python提取有关数据集及其统计属性的。 这将通过使用各种类型的绘图和其他时间序列分析技术来完成。时间序列预测：我们将在二氧化碳数据集上训练各种预测模型并比较它们的性能。 之后，我们将选择最准确的模型并根据它创建 2022 年的预测。
预测模型
简述：创建简单季节模型：设置基线准确度是标准做法，因此我们将通过创建一个简单模型来做到这一点。 这将帮助我们评估更复杂模型的性能，与基线相比，理论上应该具有更高的准确度。 该模型始终预测 K 步前的值，其中 K 等于季节性周期。指数平滑预测模型：基于 Holt-Winter 的指数平滑法创建一个预测模型。线性回归预测模型：通过简单地将滞后值作为特征添加到数据集中，我们可以将时间序列预测转换为回归任务?。 因此，我们可以使用任何 scikit-learn 回归模型或其他具有兼容 API 的库，包括 XGBoost 和 LightGBM。 在这种情况下，我们将基于 scikit-learn 库创建一个线性回归模型。**时间卷积网络预测模型：**时间卷积网络是一种替代架构，可以提供有希望的结果，因此我们将测试它的性能。使用指数模型预测。
源代码
详情参阅http://viadean.com/py_coo.html
|