這裡可以先聊一下時間序列預測的處理，
假設你忘記了你會LSTM，也忘記了你會RNN，
該怎麼處理時間序列資料呢?

我可能會先用SVR來當作我的墊檔裝:

但是官網也強調了超過10000筆資料效果會不好。

import numpy as np
from sklearn.svm import SVR

X = np.array([0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19]).reshape(-1, 1)
y = np.sin(X).ravel()

svr_poly = SVR(kernel='poly', C=100, gamma='auto', degree=3, epsilon=.1,
               coef0=1)
print(X)
ans = svr_poly.fit(X, y).predict([[20]])
print(ans)

小小的測試一下:

再來，這裡使用autokeras的TimeSeriesForecaster，
為何不使用tensorflow 來做呢?
是因為tensorflow還需要自己切分以過去多少筆來當作預測基準，
以及未來預測多少筆都要自己搭建function。
但是autokeras只要設定參數就可以了。

資料集下載:
https://archive.ics.uci.edu/ml/machine-learning-databases/00360/AirQualityUCI.zip

下載完之後我們把資料集的csv上傳到colab，並查看有沒有上傳成功:

安裝autokeras:

載入套件:

資料清洗，並去除不需要的欄位:

區分訓練集及驗證集:

特徵轉成浮點數格式:

未來以整體資料來測試:

設定訓練目標(label):

要預測的值以過去10筆資料(lookback、window)來參考，要預測未來10筆:

結果作圖:

假設要保存autokeras模型可以參考這個頁面:
https://autokeras.com/tutorial/export/

參考資料:
https://autokeras.com/tutorial/timeseries_forecaster/

官網colab目前運行會有錯誤，所以我建議自己寫一個。