معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Prediction models in timeseries

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	EnergyModels-0.0.3
نام	EnergyModels
نسخه کتابخانه	0.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Abd_Elrahman Basala
ایمیل نویسنده	Abdoubasala2001@gmail.com
آدرس صفحه اصلی	https://github.com/IntElligence0?tab=repositories
آدرس اینترنتی	https://pypi.org/project/EnergyModels/
مجوز	-

# Energy Models Package THIS IS A PACKAGE OF MODELS OF PREDICT IN TIMESERIES FORECASTING this package helps any developer in univariate and multivariate-multi-step time series forcasting in house-power-consumption dataset lets take a look about each type Real-world time series forecasting is challenging for a whole host of reasons not limited to problem features such as having multiple input variables,the requirement to predict multiple time steps,nd the need to a perform the same type of prediction for multiple physical sites. # Installation ```` pip install EnergyModels ```` # Models list * LSTM * BILSTM * GRU * BIGRU * TimeDistributer * CNN * TCN All models take 3 parameters except TCN : * must take value -1 : n_steps -2 : n_features * default value = 1 -3 : n_outputs TCN Model you can build it by just give it data to build function # Package Folders * Data * models # how to use the package first you must read the data set you want to use the models on it and then import preprocess_data from Data folder : ```` from Data import preprocess_data as pr df = pd.read_csv('Data.txt',sep=';', parse_dates={'date_time' : ['Date', 'Time']}, infer_datetime_format=True, low_memory=False, na_values=['nan','?'], index_col='date_time') pr.fill_missing(df.values) df.to_csv('new_data.csv') df = pd.read_csv('new_data.csv',parse_dates=['date_time'], index_col= 'date_time') ```` next step you can use functions on preprocess_data to split and scale the data . ```` X_train, X_test = pr.train_test_split(df) X_train, X_test, scaler = pr.scale_data(X_train, X_test) ```` After that converting the data to supervised. now you can build model by import it from models folder : ```` from models import Models as m model=m.lstm(21, 7 , 7 ).getModel() 21 ==> n_steps 7 ==> n_features 7==>n_outputs ```` After that you will able to predict and evaluate your models used. ```` y=model.predict(X) X==>input ```` Models have evaluation function you can give it the model and (actual , predicted) values ```` m.evaluate(model,actual,pred) ```` Else you can calculate loss using metrics function for train and test both : ```` m.print_metrics(model,Y_train,Y_pred_train,Y_test,Y_pred_test) ````

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl EnergyModels-0.0.3:

pip install EnergyModels-0.0.3.whl

نصب پکیج tar.gz EnergyModels-0.0.3:

pip install EnergyModels-0.0.3.tar.gz