AS NP numpyのインポート
インポートPANDAS AS PD
インポートAS PLT matplotlib.pyplot
インポートトーチ
plt.rcParams [ 'セリフ-font.sansを'] = [」SimHei ']＃表示適切に定義された中国語は太字
plt.rcParams ['軸。 unicode_minus'] = Falseの＃は通常の表示に負の符号を示し
＃インポートデータ
RMB_EU.xltx 『=ファイル名』
DF = pd.read_excel（=コードファイル名、 『UTF-を8』）
###抽出試験データに
データ= df.loc [：[ '時間'、 '高い']] [：]と＃2回の最大の値抽出
データ
の##の正規化方法の最大値と最小値
データ[ 'ハイ'] =（データ[ 'ハイ'] -dataを[ '高'] .min（））/（データ[ ' ハイ'] .MAX（） -データ[ ' ハイ'] .min（））
DEF create_dataset（データセット、len_x = 7、len_y = 7）：
[データX]、[データY] 、data_Z = []、[] 、[]
のIの範囲内（LEN（データセット） - （+ len_x len_y）+ 1）：
A =データセット[I：（I + len_x）]
data_X.append（）
B =データセット[（I + len_x）:( I + len_x + len_y）]
（B）data_Y.append
範囲のiについて（LEN（データセット） - （+ len_x len_y）+1、lenの（データセット）-len_x + 1）：
A =データセット[I：（I + len_x）]
data_Z.append（）
戻りnp.array（データX）、np.array（データY）、np.array（data_Z）
＃构建数据集
X、Y、Z = create_dataset（データ[ '高']、30、30）
train_size = INT（LEN（X）* 0.7）
test_size = LEN（X） - train_size
train_X = X [：train_size]
train_Y = Y [ ：train_size]
test_X = X [train_size：]
test_Y = Y [train_size：]
train_X.shape、train_Y.shape、test_X.shape、test_Y.shape、Z.shape
＃设置数据形状
train_X = train_X.reshape（-1、1 、30）
train_Y = train_Y.reshape（-1、1、30）
test_X = test_X.reshape（-1、1、30）
＃test_Y = test_Y.reshape（-1、1、7）
pred_Z = Z.reshape（-1、1 、30）
＃转换为テンソル类型
train_X = torch.from_numpy（train_X）
train_Y = torch.from_numpy（train_Y）
test_X = torch.from_numpy（test_X）
＃test_Y = torch.from_numpy（test_Y）
pred_Z = torch.from_numpy（pred_Z）＃
使用CUDA
train_X = train_X.cuda（）
train_Y = train_Y.cuda（）
test_X = test_X.cuda（）
＃test_Y = test_Y.cuda（）
pred_Z = pred_Z.cuda（）
トーチインポートNNから
torch.autogradインポート変数から
RNN = nn.LSTM（30,30,2）.cuda（）
RNN = rnn.double（）＃数据类型问题
基準= nn.MSELoss（）
オプティマイザ= torch.optim.Adam（rnn.parameters（）、LR = 1E-2）
＃スタート練習
中範囲Eのための（50）：
var_X =可変（train_X）
var_Y =可変（train_Y）
伝搬する＃の前に
OUT、（H、C）= RNN（var_X）
損失=基準（OUT、var_Y）
＃リバース伝搬
optimizer.zero_grad（）
loss.backward（）
optimizer.step（）
印刷（ 'エポック：{}、損失：{：} .5f'。。フォーマット（E + 1、loss.data [0]））
モデル= RNN .eval（）＃は、テストモードに変換さ
var_data =可変（test_X）
pred_test、予測結果（TH、TC）=モデル（ var_data）＃のテストセット
pred_test pred_test.reshape =（-1、30）
pred_test pred_test.cpu =（ ）
pred_test pred_test.detach =（）。numpyの（）
pred_test
＃予測結果と実際の結果が示さ
plt.figure（figsize =（12,8））
plt.plot（データ[ '时间'] [train_size：-59]、pred_test [：]、[6]、R ''、ラベル= 'トレイン'）
＃1 plt.plot（データ[ '时间'] [train_size：-29 ]、pred_t、R ''、ラベル= '予測'）
plt.plot（データ[ '时间'] [train_size：-59]、test_Y [：]、[6]、 'B'、ラベル= '実際の'）
PLT。プロット（データ[ '时间'] [ - 30：]、pred_1、 'G'、ラベル= '予測'）
plt.legend（LOC = '最良の'）
＃预测结果
PRED、（_、_）=モデル（pred_Z ）
PRED = pred.cpu（）
PRED = pred.detach（）。numpyの（）
PRED = pred.reshape（-1、30）
pred_1 = np.mean（predは、軸= 1）
pred_1.shape
plt.plot（データ[ '时间'] [ - 30：]、pred_1、 '-g'、ラベル= '新しいです'）