Time Series 简明教程
Time Series - LSTM Model
现在,我们已熟悉时间序列的统计建模,机器学习目前盛行,所以也务必要熟悉一些机器学习模型。我们从时间序列领域最流行的模型——长短期记忆模型开始。
LSTM 是一类循环神经网络。因此,在跳到 LSTM 之前,务必要了解神经网络和循环神经网络。
Recurrent Neural Networks
这是一类专门用于处理临时数据的类神经网络。RNN 的神经元具有单元状态/记忆,输入根据此内部状态进行处理,这是通过神经网络中的循环来完成的。RNN 中的“tanh”层有周期性模块,可让它们保留信息。然而,保留的时间不会很长,因此我们才需要 LSTM 模型。
LSTM
这是一种特殊类别的循环神经网络,能够学习数据中的长期依赖性。这是因为模型的周期性模块将四个层层进行交互。
上图以黄色框表示四个神经网络层,以绿色圆圈表示逐点运算符,以黄色圆圈表示输入,以蓝色圆圈表示单元状态。一个 LSTM 模块具有一个单元状态和三个门,这给了它有选择地学习、取消学习,或者保留每个单元信息的能力。LSTM 中的单元状态帮助信息在单元之间流动,并通过只允许少量线性交互而保持不变。每个单元具有输入、输出,以及可以将信息添加到单元状态、或者从单元状态中移除信息的遗忘门。遗忘门使用一个 sigmoid 函数来确定前一个单元状态中的哪些信息应该被忘记。输入门使用“sigmoid”和“tanh”的逐点乘法运算来控制信息流向当前单元状态。最后,输出门决定哪些信息应传递到下一个隐藏状态
现在我们已经了解了 LSTM 模型的内部工作原理,让我们来实施它。要了解 LSTM 的实施,我们从一个简单的示例开始——一条直线。我们来看看 LSTM 能否学习直线关系并预测它。
首先,我们创建描述一条直线的数据集。
In [402]:
x = numpy.arange (1,500,1)
y = 0.4 * x + 30
plt.plot(x,y)
Out[402]:
[<matplotlib.lines.Line2D at 0x1eab9d3ee10>]
In [403]:
trainx, testx = x[0:int(0.8*(len(x)))], x[int(0.8*(len(x))):]
trainy, testy = y[0:int(0.8*(len(y)))], y[int(0.8*(len(y))):]
train = numpy.array(list(zip(trainx,trainy)))
test = numpy.array(list(zip(trainx,trainy)))
现在数据已经创建并分成训练和测试。让我们将时间序列数据转换为监督学习数据,根据回看期的值,这实质上是用于预测时间 t 值的滞后数。
因此像这样的时间序列 −
time variable_x
t1 x1
t2 x2
: :
: :
T xT
在回溯周期为 1 时,转化为 −
x1 x2
x2 x3
: :
: :
xT-1 xT
In [404]:
def create_dataset(n_X, look_back):
dataX, dataY = [], []
for i in range(len(n_X)-look_back):
a = n_X[i:(i+look_back), ]
dataX.append(a)
dataY.append(n_X[i + look_back, ])
return numpy.array(dataX), numpy.array(dataY)
In [405]:
look_back = 1
trainx,trainy = create_dataset(train, look_back)
testx,testy = create_dataset(test, look_back)
trainx = numpy.reshape(trainx, (trainx.shape[0], 1, 2))
testx = numpy.reshape(testx, (testx.shape[0], 1, 2))
现在,我们将训练模型。
少量训练数据显示给网络,当所有训练数据分批显示给模型并且计算误差时称为一次 epoch。Epochs 将继续运行直到误差减少为止。
In []:
from keras.models import Sequential
from keras.layers import LSTM, Dense
model = Sequential()
model.add(LSTM(256, return_sequences = True, input_shape = (trainx.shape[1], 2)))
model.add(LSTM(128,input_shape = (trainx.shape[1], 2)))
model.add(Dense(2))
model.compile(loss = 'mean_squared_error', optimizer = 'adam')
model.fit(trainx, trainy, epochs = 2000, batch_size = 10, verbose = 2, shuffle = False)
model.save_weights('LSTMBasic1.h5')
In [407]:
model.load_weights('LSTMBasic1.h5')
predict = model.predict(testx)
现在,让我们看看我们的预测值是什么。
In [408]:
plt.plot(testx.reshape(398,2)[:,0:1], testx.reshape(398,2)[:,1:2])
plt.plot(predict[:,0:1], predict[:,1:2])
Out[408]:
[<matplotlib.lines.Line2D at 0x1eac792f048>]
现在,我们应尝试以类似方式对正弦波或余弦波建模。您可以运行下面提供的代码并使用模型参数进行操作,以查看结果如何变化。
In [409]:
x = numpy.arange (1,500,1)
y = numpy.sin(x)
plt.plot(x,y)
Out[409]:
[<matplotlib.lines.Line2D at 0x1eac7a0b3c8>]
In [410]:
trainx, testx = x[0:int(0.8*(len(x)))], x[int(0.8*(len(x))):]
trainy, testy = y[0:int(0.8*(len(y)))], y[int(0.8*(len(y))):]
train = numpy.array(list(zip(trainx,trainy)))
test = numpy.array(list(zip(trainx,trainy)))
In [411]:
look_back = 1
trainx,trainy = create_dataset(train, look_back)
testx,testy = create_dataset(test, look_back)
trainx = numpy.reshape(trainx, (trainx.shape[0], 1, 2))
testx = numpy.reshape(testx, (testx.shape[0], 1, 2))
In []:
model = Sequential()
model.add(LSTM(512, return_sequences = True, input_shape = (trainx.shape[1], 2)))
model.add(LSTM(256,input_shape = (trainx.shape[1], 2)))
model.add(Dense(2))
model.compile(loss = 'mean_squared_error', optimizer = 'adam')
model.fit(trainx, trainy, epochs = 2000, batch_size = 10, verbose = 2, shuffle = False)
model.save_weights('LSTMBasic2.h5')
In [413]:
model.load_weights('LSTMBasic2.h5')
predict = model.predict(testx)
In [415]:
plt.plot(trainx.reshape(398,2)[:,0:1], trainx.reshape(398,2)[:,1:2])
plt.plot(predict[:,0:1], predict[:,1:2])
Out [415]:
[<matplotlib.lines.Line2D at 0x1eac7a1f550>]
现在,您可以继续处理任意数据集了。