共计 2480 个字符，预计需要花费 7 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=6663
原文出处：拓端数据部落公众号
此示例中，神经网络用于应用 2011 年 4 月至 2013 年 2 月期间的数据预测公民办公室的电力耗费。
每日数据是通过总计每天提供的 15 分钟距离的消耗量来创立的。
LSTM 简介
LSTM（或长短期记忆人工神经网络）容许剖析具备长期依赖性的有序数据。当波及到这项工作时，传统的神经网络体现出有余，在这方面，LSTM 将用于预测这种状况下的电力耗费模式。
与 ARIMA 等模型相比，LSTM 的一个非凡劣势是数据不肯定须要是稳固的（常数均值，方差和自相干），以便 LSTM 对其进行剖析。
自相干图，Dickey-Fuller 测试和对数变换
为了确定咱们的模型中是否存在 平稳性：
- 生成自相干和 偏自相干图
- 进行 Dickey-Fuller 测试
- 对工夫序列进行对数变换，并再次运行上述两个过程，以确定平稳性的变动（如果有的话）
首先，这是工夫序列图：
据察看，波动性（或生产从一天到下一天的变动）十分高。在这方面，对数变换能够用于尝试略微平滑该数据。在此之前，生成 ACF 和 PACF 图，并进行 Dickey-Fuller 测试。
自相干图
偏自相干图
自相干和 偏自相干图都体现出显着的波动性，这意味着工夫序列中的几个区间存在相关性。
运行 Dickey-Fuller 测试时，会产生以下后果：
当 p 值高于 0.05 时，不能回绝非平稳性的零假如。
STD1
954.7248
4043.4302
0.23611754变异系数（或平均值除以标准差）为 0.236，表明该系列具备显着的波动性。
当初，数据被转换为对数格局。
尽管工夫序列依然不稳固，但当以对数格局示意时，偏差的大小略有降落：
此外，变异系数已显着降落至 0.0319，这意味着与平均值相干的趋势的可变性显着低于先前。
STD2 = np.std（数据集）mean2 = np.mean（数据集）cv2 = std2 / mean2 #变异系数std2
0.26462445mean2
8.272395cv2
0.031988855同样，在对数数据上生成 ACF 和 PACF 图，并再次进行 Dickey-Fuller 测试。
自相干图
偏自相干图
Dickey-Fuller 测试
... print（'\ t%s：%。3f'%（key，value））1%：-3.440
5%：- 2.866
10%：- 2.569Dickey-Fuller 测验的 p 值降至 0.0576。尽管这在技术上没有回绝零假如所需的 5%显着性阈值，但对数工夫序列已显示基于 CV 度量的较低稳定率，因而该工夫序列用于 LSTM 的预测目标。
LSTM 的工夫序列剖析
当初，LSTM 模型用于预测目标。
数据处理
首先，导入相干库并执行数据处理
LSTM 生成和预测
模型训练超过 100 期，并生成预测。
#生成 LSTM 网络
model = Sequential（）model.add（LSTM（4，input_shape =（1，previous）））model.fit（X\_train，Y\_train，epochs = 100，batch_size = 1，verbose = 2）#生成预测
trainpred = model.predict（X_train）#将标准化后的数据转换为原始数据
trainpred = scaler.inverse_transform（trainpred）#计算 RMSE
trainScore = math.sqrt（mean\_squared\_error（Y_train \[0\]，trainpred \[：，0\]））#训练预测
trainpredPlot = np.empty_like（dataset）#测试预测
#绘制所有预测
inversetransform，= plt.plot（scaler.inverse_transform（dataset））准确性
该模型显示训练数据集的均方根误差为0.24，测试数据集的均方根误差为0.23。均匀千瓦消耗量（以对数格局示意）为8.27，这意味着 0.23 的误差小于均匀消耗量的 3%。
以下是预测生产与理论消费量的关系图：
乏味的是，当在原始数据上生成预测（未转换为对数格局）时，会产生以下训练和测试误差：
在每天均匀耗费 4043 千瓦的状况下，测试的均方误差占总日均消耗量的近 20%，并且与对数数据产生的误差相比十分高。
让咱们来看看这减少预测到 10 和50天。
10 天
50 天
咱们能够看到测试误差在 10 天和 50 天期间显着升高，并且思考到 LSTM 模型在预测时思考了更多的历史数据，耗费的波动性失去了更好的预测。
鉴于数据是对数格局，当初能够通过取得数据的指数来取得预测的实在值。
例如，testpred变量用（1，-1）从新调整：
testpred.reshape（1，-1）array（\[\[7.7722197,8.277015,8.458941,8.455311,8.447589,8.445035，......
8.425287,8.404881,8.457063,8.423954,7.98714,7.9003944，8.240862,8.41654,8.423854,8.437414,8.397851,7.9047146\]\]，dtype = float32）论断
对于这个例子，LSTM 被证实在预测电力耗费稳定方面十分精确。此外，以对数格局示意工夫序列能够进步 LSTM 的预测准确度。
参考文献
1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测
2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析
3. 应用 r 语言进行工夫序列（arima，指数平滑）剖析
4.r 语言多元 copula-garch- 模型工夫序列预测
5.r 语言 copulas 和金融工夫序列案例
6. 应用 r 语言随机稳定模型 sv 解决工夫序列中的随机稳定
7.r 语言工夫序列 tar 阈值自回归模型
8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类
9.python3 用 arima 模型进行工夫序列预测
