python 时间序列svr代码

下面是一个简单的Python时间序列支持向量回归（SVR）的代码示例：

import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt

# 创建一个简单的时间序列数据集
X = np.arange(1, 11).reshape(-1, 1)
y = np.array([3, 5, 8, 12, 17, 23, 30, 38, 47, 57])

# 初始化和训练SVR模型
model = SVR(kernel='rbf', C=100, gamma=0.1)
model.fit(X, y)

# 生成用于预测的测试数据集
X_test = np.arange(1, 15).reshape(-1, 1)

# 使用已训练的模型进行预测
y_pred = model.predict(X_test)

# 绘制原始数据和预测结果
plt.scatter(X, y, color='blue', label='Actual')
plt.plot(X_test, y_pred, color='red', label='Predicted')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

在这个例子中，我们首先创建了一个简单的时间序列数据集 `X` 和相应的目标变量 `y`。然后，我们使用 `sklearn` 库中的 `SVR` 类来初始化一个SVR模型，并使用 `fit()` 方法对模型进行训练。

接着，我们生成了一个测试数据集 `X_test` 用于模型的预测。最后，我们使用已训练的模型对测试数据进行预测，并用散点图和曲线图将原始数据和预测结果可视化。

这个示例中用到的 SVR 模型使用了径向基核函数（RBF kernel），惩罚系数 C 为 100，gamma为0.1。你可以根据实际需求调整这些参数。

希望这个简单的代码示例能够帮助你理解如何使用Python进行时间序列的SVR建模。