利用LSTM预测时间序列未来........

2024-07-05 08:05| 来源: 网络整理| 查看: 265

ps.非常感谢各位大佬对这篇帖子的关注，我也没想到会这么多评论 - -！

已经写了很久啦，因为工作原因，后边可能不会来维护和回复评论了，谢谢。

这篇帖子只是提出了一点 lstm 的时间序列预测方法和疑问，抛砖引玉！

< ----------------- 正文-------------------------------- > 最近在做一个东西，用到了LSTM时间序列预测。。。

网上搜索吗，比如别人做过的比较典型的有：

1. https://blog.csdn.net/aliceyangxi1987/article/details/73420583

2. https://www.cnblogs.com/mtcnn/p/9411597.html

3. https://cloud.tencent.com/developer/article/1083338 等等

他们都是利用已有的一条序列，当成Y ，再利用它往前滑动t-1构造一条序列X， fit（X，Y）来做。以及后边利用测试集看表现啊评估啊等等。。。然而，没有一个能够说利用LSTM如何真正预测未来的？？？

（因为按照他们这种做法，预测未来是没有这个所谓的一个X 来喂给训练好的模型的？）

《《《-----------------------------滑动窗口的LSTM方法预测：----------------------------------------------------------------------------》》》

前面描述的都是比如一个时间序列的value为

Y ：[10, 20, 30, 40, 50, 60, 70, 80, 90] 他们会为其构造一条X 按照逐个t-1时刻的X对应逐个t时刻Y值。

X：[0, 10, 20, 30, 40, ......] 具体参考上述链接做法。

然后再利用构造的X，Y训练lstm模型，达到预测的目地。

但是这个做法，无法预测未来。

经过搜索，以上方法是数据LSTM中sequence to sequence 的方法的。一对一，适用于中英文翻译方法！！

或者一对一预测等等，不是预测未来的方法～所以前面那些链接中，应该是对sequence to sequence有点误会！

因此，我们应该采用滑动窗口的数据预测未来一个数据，sequence to vector的，可以根据前面几个预测下一个，比如下面：

比如X[t-3,t-2,t-1] 预测X[t], 此时X[t]可以当作标签Y

针对上述数据我们可以构造 (左为X，右为Y )：

[10,20,30], [40]

[20,30,40], [50]

[30,40,50], [60]

.......................

这样依赖，利用多个滑动窗口（此处为3）来预测下一个数据的目地。。。。

预测未来如何逐个添加？答：唯有预测一个，往后添加一个，再加入预测。

缺点：误差会积累！

《《《-----------------------------滑动窗口的LSTM方法python实例：------------------------------------------------》》》

from numpy import array from keras.models import Sequential from keras.layers import LSTM from keras.layers import Dense ''' 下面的split_sequence（）函数实现了这种行为，并将给定的单变量序列分成多个样本，其中每个样本具有指定的时间步长，输出是单个时间步。 ''' # split a univariate sequence into samples def split_sequence(sequence, n_steps): X, y = list(), list() for i in range(len(sequence)): # find the end of this pattern end_ix = i + n_steps # check if we are beyond the sequence if end_ix > len(sequence)-1: break # gather input and output parts of the pattern seq_x, seq_y = sequence[i:end_ix], sequence[end_ix] X.append(seq_x) y.append(seq_y) return array(X), array(y) if __name__ == '__main__': # define input sequence raw_seq = [10, 20, 30, 40, 50, 60, 70, 80, 90] print raw_seq # choose a number of time steps n_steps = 3 # split into samples X, y = split_sequence(raw_seq, n_steps) print X, y # reshape from [samples, timesteps] into [samples, timesteps, features] n_features = 1 X = X.reshape((X.shape[0], X.shape[1], n_features)) # define model model = Sequential() model.add(LSTM(50, activation='relu', input_shape=(n_steps, n_features))) # 隐藏层，输入，特征维 model.add(Dense(1)) model.compile(optimizer='adam', loss='mse') # fit model model.fit(X, y, epochs=300, batch_size=1, verbose=2) # 迭代次数，批次数，verbose决定是否显示每次迭代 # demonstrate prediction x_input = array([70, 80, 90]) x_input = x_input.reshape((1, n_steps, n_features)) yhat = model.predict(x_input, verbose=0) print x_input, yhat print(yhat)

预测未来?

比如[70,80,90] 预测一个假如为[100]

可以继续构造[80,90,100], 预测下一个。。。。

等等....

本文方法灵感参考转载于：

https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/

【本文地址】

公司简介

联系我们