全文下载链接：http://tecdat.cn?p=26519
最近咱们被客户要求撰写对于LSTM的钻研报告，包含一些图形和统计输入。
一个简略的编码器-解码器LSTM神经网络应用于工夫序列预测问题：预测天然气价格，预测范畴为 10 天。“进入”工夫步长也设置为 10 天。) 只须要 10 天来推断接下来的 10 天。能够应用 10 天的历史数据集以在线学习的形式从新训练网络 （ 点击文末“浏览原文”获取残缺代码数据 ） 。
数据集是天然气价格 （ 查看文末理解数据获取形式 ） ，具备以下特色：
- 日期（从 1997 年到 2020 年）- 为 每天数据
- 以元计的天然气价格
相干视频：LSTM神经网络架构和工作原理及其在Python中的预测利用
**
拓端数据部落
，赞9
读取数据并将日期作为索引解决
# 固定日期工夫并设置为索引
dftet.index = pd.DatetimeIndex
# 用NaN来填补缺失的日期（当前再补）
dargt = f_arget.reindex(ales, fill_value=np.nan)
# 查看
print(d_tret.dtypes)
df_aget.head(10)解决缺失的日期
# 数据演绎（应用 "向前填充"--依据之前的值进行填充）。
dfaet.fillna(method='ffill', inplace=True)特色工程
因为咱们正在应用深度学习，所以特色工程将是最小的。
- One-hot 编码“is_weekend”和星期几
- 增加行的最小值和最大值（可选）
通过设置固定的下限（例如 30 倍中位数）修复异样高的值
# 在df_agg中修复任何十分高的值 - 归一化为中值
for col in co_to_fi_ies:
dgt[col] = fixnaes(dftget[col])增加滞后
# 减少每周的滞后性
df_tret = addag(d_aget, tare_arble='Price', step_ak=7)
# 减少30天的滞后性
df_get = ad_ag(df_ret, tagt_able='Price', sep_bck=30)# 合并后删除任何有NA值的列
d_gt.dropna(inplace=True)
print(dfget.shape)
tie_nx = df_art.index归一化
- 归一化或最小-最大尺度（须要减小较宽的数值范畴，以便 LSTM 收敛）。
# 标准化训练数据[0, 1]
sclr = prcsing.Maxcaer((0,1))筹备训练数据集
- 工夫步数 = 1
- 工夫步数 = nsteout小时数（预测范畴）
在这里，咱们将数据集从 [samples, features] 转换为 [samples, steps, features] – 与算法 LSTM 一起应用的维度。上面的序列拆分应用“walk-forward”办法来创立训练数据集。
# 多变量多步骤编码器-解码器 lstm 示例
# 抉择一个工夫步骤的数量
# 维度变成[样本数、步骤、特色]
X, y = splices(datasformed, n_ep_in, n_ep_out)
# 分成训练/测试
et_ut = int(0.05*X.shpe[0])
X_tain, X_est, ytrain, y_tst = X[:-tetaont], X[-tes_ont:], y[:-tstmunt], y[-es_unt:]训练模型
这利用了长期短期记忆算法。
# 实例化和训练模型
print
model = cre_odel(n_tps_in, n_tep_out, n_feures, lerig_rate=0.0001)摸索预测
%%time
#加载特定的模型
model = lod_id_del(
n_stepin,
n_sep_out,
X_tan.shape[2])# 展现对一个样本的预测
testle_ix = 0
yat = mdel.predict(X_tet[est_amle_ix].reshape((1,n_sep_in, nfatues)),erbose=Tue)# 计算这一个测试样本的均方根误差
rmse = math.sqrtplot_result(yhat[0], scaler, saved_columns)点击题目查阅往期内容
Python对商店数据进行lstm和xgboost销售量工夫序列建模预测剖析
左右滑动查看更多
01
02
03
04
均匀 RMSE
# 收集所有的测试RMSE值
rmesores = []
for i in range:
yhat = oel.predict(Xtet[i].reshape((1, _stes_in, _faues)), verbose=False)
# 计算这一个测试样本的均方根误差
rmse = math.sqrt(mensqaerror(yhat[0], y_test[i]))训练整个数据集
#在所有数据上实例化和训练模型
modl_l = cret_mel(nsep_in, steps_ou, n_etures,learnnrate=0.0001)
mde_all, ru_ime, weighfie = trin(md_all, X, y, batcsie=16, neohs=15)样本内预测
留神：模型曾经“看到”或训练了这些样本，但咱们心愿确保它与预测统一。如果它做得不好，模型可能会欠拟合或过拟合。要尝试的事件：
- 减少或缩小批量大小
- 减少或缩小学习率
- 更改网络中 LSTM 的暗藏层数
# 取得10个步
da_cent = dfret.iloc[-(ntes_in*2):-nsps_in]
# 标准化
dta_ectormed = sclr.rasfrm(daareent)
# 维度变成[样本数、步骤、特色]
n_res = dtcentorm.shape[1]
X_st = data_recn_trsrd.reshape((1, n_tps_n, n_feares))
# 预测
foecst = mlll.predict(X_past)
# 扩充规模并转换为DF
forcast = forast.resape(n_eaturs))
foect = saer.inese_transform(forecast)
fuure_dtes df_targe.ide[-n_steps_out:]
# 绘图
histrcl = d_aet.ioc[-100:, :1] # 取得历史数据的X步回溯
for i in ane(oisae[1]):
fig = plt.igre(fgze=(10,5))
# 绘制df_agg历史数据
plt.plot(.iloc[:,i]
# 绘制预测图
plt.plot(frc.iloc[:,i])
# 标签和图例
plt.xlabel预测样本外
# 获取最初10步
dtareent = dfargt.iloc[-nstpsin:]。
# 标准化
dta_ecntranfomed = scaler.trasorm(data_recent)
# 预测
forct = meall.rict(_past)
# 扩充规模并转换为DF
foreast = foecs.eshape(_seps_ut, n_eatures))
foreast = sclerinvers_tranorm(focast)
futur_daes = pd.daternge(df_argetinex[-1], priods=step_out, freq='D')
# 绘图
htrical = df_taet.iloc[-100:, :1] # 取得历史数据的X步回溯
# 绘制预测图
plt.plot(fectoc[:,i])点击文末 “浏览原文”
获取全文残缺材料。
本文选自《PYTHON用KERAS的LSTM神经网络进行工夫序列预测天然气价格例子》。
点击题目查阅往期内容
Python对商店数据进行lstm和xgboost销售量工夫序列建模预测剖析
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
RNN循环神经网络 、LSTM长短期记忆网络实现工夫序列长期利率预测
联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析
深度学习：Keras应用神经网络进行简略文本分类剖析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户散失模型
PYTHON用LSTM长短期记忆神经网络的参数优化办法预测工夫序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和后果可视化
Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析
R语言中的神经网络预测工夫序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测工夫序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类辨认手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户散失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS应用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python应用神经网络进行简略文本分类
R语言用神经网络改良Nelson-Siegel模型拟合收益率曲线剖析
R语言基于递归神经网络RNN的温度工夫序列预测
R语言神经网络模型预测车辆数量工夫序列
R语言中的BP神经网络模型剖析学生问题
matlab应用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和后果可视化
用R语言实现神经网络预测股票实例
应用PYTHON中KERAS的LSTM递归神经网络进行工夫序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：应用Keras的多标签文本LSTM神经网络分类
发表回复