Import xgboost as xgb

Cálculo del valor esperado con modelo Prophet y variables exógenas

model = Prophet(daily_seasonality=True, yearly_seasonality=True) model.add_regressor('exogenous_variable') model.fit(df) future = model.make_future_dataframe(periods=1) future['exogenous_variable'] = future_exogenous_variables forecast = model.predict(future)

Modelo híbrido Transformer-LSTM con atención multi-cabeza y concatenación

model = Sequential() model.add(TransformerBlock(num_heads=8, embed_dim=64)) model.add(LSTM(units=32, return_sequences=True))

...

Evaluación con métricas de precisión y cobertura

...

Interpretabilidad con SHAP y LIME

...

Modelo XGBoost

xgb_model = xgb.XGBRegressor() xgb_model.fit(X_train, y_train)

Selección de características con XGBoost

importance = pd.Series(xgb_model.feature_importances_, index=X_train.columns) selector = SelectFromModel(xgb_model, prefit=True) X_train_selected = selector.transform(X_train) X_test_selected = selector.transform(X_test)

Entrenamiento del modelo XGBoost para predicciones

xgb_model = xgb.XGBRegressor() xgb_model.fit(X_train, y_train) xgb_preds = xgb_model.predict(X_test)

Añadir predicciones XGBoost como característica adicional

X_train_combined = np.concatenate((X_train, xgb_preds.reshape(-1,1)), axis=1) X_test_combined = np.concatenate((X_test, xgb_preds.reshape(-1,1)), axis=1)

Entrenamiento del modelo híbrido con características combinadas

model = Sequential() model.add(TransformerBlock(num_heads=8, embed_dim=64)) model.add(LSTM(units=32, return_sequences=True))

... (resto de la arquitectura del modelo)

model.compile(loss='mse', optimizer='adam') model.fit(X_train_combined, y_train, epochs=10, validation_data=(X_test_combined, y_test))