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：

  1. 生成自相干和偏自相干图
  2. 进行Dickey-Fuller测试
  3. 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。

   STD1954.72484043.43020.23611754

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 0.26462445
mean2 8.272395
cv2 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％：-3.4405％： -  2.86610％： -  2.569

Dickey-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 RMSEtrainScore = 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