【文件属性】：
文件名称：时间序列机器学习：用于时间序列分析的机器学习模型
文件大小：101KB
文件格式：ZIP
更新时间：2021-01-30 00:23:21
python machine-learning statistics deep-learning time-series
机器学习的时间序列预测
一组预测时间序列的不同机器学习模型，具体来说是给定货币图表和目标的市场价格。
要求
必需的依赖项： numpy 。 其他依赖项是可选的，但是为了使最终模型更多样化，建议安装以下软件包： tensorflow ， xgboost 。
经过python版本测试：2.7.14、3.6.0。
取得资料
有一个内置的数据提供程序，可以从获取数据。 目前，所有模型都已通过加密货币图表进行了测试。
提取的数据格式是标准安全性：日期，最高，最低，打开，关闭，交易量，报价量，weightedAverage。 但是模型与特定的时间序列特征无关，并且可以使用这些特征的子集或超集进行训练。
要获取数据， 从根目录运行脚本：
# Fetches the default tickers: BTC_ETH, BTC_LTC, BTC_XRP, BTC_ZEC for all time periods.
$ ./run_fetch.py
默认情况下，将提取Poloniex中所有可用时间段（天，4h，2h，30m，15m，5m）的数据，并将其存储在_data目录中。 您可以通过命令行参
【文件预览】：
time-series-machine-learning-master
----train()
--------job_info.py(2KB)
--------evaluator.py(2KB)
--------__init__.py(148B)
--------job_runner.py(4KB)
----models()
--------tensorflow_model.py(2KB)
--------nn_ops.py(2KB)
--------nn_model.py(2KB)
--------cnn_model.py(2KB)
--------model.py(560B)
--------__init__.py(553B)
--------xgboost_model.py(782B)
--------linear_model.py(772B)
--------rnn_model.py(3KB)
----predict()
--------__init__.py(189B)
--------ensemble.py(4KB)
--------model_io.py(1KB)
----run_visual.py(1KB)
----run_train.py(4KB)
----run_fetch.py(354B)
----.idea()
--------misc.xml(220B)
--------time_series_machine_learning.iml(466B)
--------codeStyleSettings.xml(365B)
--------inspectionProfiles()
--------modules.xml(308B)
--------vcs.xml(180B)
----util()
--------logging.py(985B)
--------data_util.py(3KB)
--------cmdline.py(2KB)
--------__init__.py(361B)
--------collection_util.py(510B)
--------data_set.py(1KB)
----LICENSE(11KB)
----README.md(7KB)
----.images()
--------btc_ltc_prediction.png(38KB)
--------btc_eth_prediction.png(32KB)
----run_predict.py(1002B)
----.gitignore(100B)
----poloniex()
--------__init__.py(225B)
--------fetch_data.py(2KB)
--------api.py(1KB)