时间序列预测：SVR用于时间序列预测代码+模型保存+模型加载+网格搜索+交叉验证

最新推荐文章于 2025-06-19 16:14:34 发布

原创

最新推荐文章于 2025-06-19 16:14:34 发布 · 2.7w 阅读

310 ·

CC 4.0 BY-SA版权

本文介绍了如何运用支持向量回归（SVR）进行时间序列预测，包括数据读取、滑动窗口切片、数据集打乱、参数调优（网格搜索与交叉验证）、模型训练及保存、模型加载与预测。同时提供了残差图以评估模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文关于SVR时间序列的预测，详细步骤如下：

1.数据读取

2.数据集的划分（采用滑动窗口重叠切片）

3.训练数据集掷乱

4.SVR参数设置（网格搜索+交叉验证）

5.SVR模型训练+模型保存

6.SVR模型加载+预测

import xlrd
import matplotlib.pyplot as plt

def read_20180829():
    fname = "20180829.xlsx"
    bk = xlrd.open_workbook(fname)
    # shxrange = range(bk.nsheets)
    try:
        sh = bk.sheet_by_name("Sheet1")
    except:
        print("no sheet in %s named Sheet1" % fname)
    # 获取行数
    nrows = sh.nrows
    # 获取列数
    ncols = sh.ncols
    print("nrows %d, ncols %d" % (nrows, ncols))
    # 获取第一行第一列数据
    cell_value = sh.cell_value(1, 0)
    print(cell_value)
    time = []
    single1 = []
    single2 = []
    single3 = []
    # 获取各行数据
    for i in range(1, nrows):
        row_data = sh.cell_value(i, 0)
        # print('time', row_data)
        time.append(row_data)
    for i in range(1, nrows):
        row_data =