博主之前参与的一个科研项目是用 LSTM 结合 Attention 机制依据作物生长期内气象环境因素预测作物产量。本篇博客将介绍如何用 keras 深度学习的框架搭建 LSTM 模型对时间序列做预测。所用项目和数据集来自:真实业界数据的时间序列预测挑战

1 项目简单介绍

1.1 背景介绍

本项目的目标是建立内部与外部特征结合的多时序协同预测系统。数据集采用来自业界多组相关时间序列(约40组)与外部特征时间序列(约5组)。课题通过进行数据探索,特征工程,传统时序模型探索,机器学习模型探索,深度学习模型探索(RNN,LSTM等),算法结合,结果分析等步骤来学习时序预测问题的分析方法与实战流程。

1.2 数据集说明

** 训练数据有8列:**

- 日期 - 年: int
- 日期 - 月: int
- 日期 - 日: int, 时间跨度为2015年2月1日 - 2016年8月31日
- 当日最高气温 - 摄氏度(下同): float
- 当日最低气温: float
- 当日平均气温: float
- 当日平均湿度: float
- 输出 - float
预测数据没有输出部分,其他与预测一样。时间跨度为2016年9月1日 - 2016年11月30日
训练与预测都各自包含46组数据,每组数据代表不同数据源,组之间的温度与湿度信息一样而输出不同.

2 导入库并读取查看数据

  1. #查看其中一个地区的训练数据
  1. import pandas as pd
  2. import numpy as np
  3. from keras.models import Sequential
  4. from keras.layers import Dense, LSTM, Dropout
  5. import matplotlib.pyplot as plt
  6. % matplotlib inline
  7. import glob, os
  8. import seaborn as sns
  9. import sys
  10. from sklearn.preprocessing import MinMaxScaler
  1. columns = ['YEAR','MONTH','DAY','TEMP_HIG','TEMP_COL','AVG_TEMP','AVG_WET','DATA_COL']
  2. data = pd.read_csv('../input/industry/industry_timeseries/timeseries_train_data/1.csv',
  3. names=columns)
  4. data.head()

  1. # 查看数据采集区1的数据
  2. plt.figure(figsize=(24,8))
  3. for i in range(8):
  4. plt.subplot(8, 1, i+1)
  5. plt.plot(data.values[:, i])
  6. plt.title(columns[i], y=0.5, loc='right')
  7. plt.show()



3 数据预处理

3.1 时间序列数据转化为监督问题数据

  1. def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):
  2. n_vars = 1 if type(data) is list else data.shape[1]
  3. df = pd.DataFrame(data)
  4. cols, names = list(), list()
  5. # input sequence (t-n, ... t-1)
  6. for i in range(n_in, 0, -1):
  7. cols.append(df.shift(i))
  8. names += [('var%d(t-%d)' % (j+1, i)) for j in range(n_vars)]
  9. # forecast sequence (t, t+1, ... t+n)
  10. for i in range(0, n_out):
  11. cols.append(df.shift(-i))
  12. if i == 0:
  13. names += [('var%d(t)' % (j+1)) for j in range(n_vars)]
  14. else:
  15. names += [('var%d(t+%d)' % (j+1, i)) for j in range(n_vars)]
  16. # put it all together
  17. agg = pd.concat(cols, axis=1)
  18. agg.columns = names
  19. # drop rows with NaN values
  20. if dropnan:
  21. agg.dropna(inplace=True)
  22. return agg

关于上段代码的理解可以参考:How to Convert a Time Series to a Supervised Learning Problem in Python

  1. # 将数据归一化到0-1之间,无量纲化
  2. scaler = MinMaxScaler(feature_range=(0,1))
  3. scaled_data = scaler.fit_transform(example[['DATA_COL','TEMP_HIG','TEMP_COL','AVG_TEMP','AVG_WET']].values)
  4. # 将时序数据转换为监督问题数据
  5. reframed = series_to_supervised(scaled_data, 1, 1)
  6. #删除无用的label数据
  7. reframed.drop(reframed.columns[[6,7,8,9]], axis=1, inplace=True)
  1. print(redf.info())
  2. redf.head()

3.2 数据集划分及规整

  1. # 数据集划分,选取前400天的数据作为训练集,中间150天作为验证集,其余的作为测试集
  2. train_days = 400
  3. valid_days = 150
  4. values = redf.values
  5. train = values[:train_days, :]
  6. valid = values[train_days:train_days+valid_days, :]
  7. test = values[train_days+valid_days:, :]
  8. train_X, train_y = train[:, :-1], train[:, -1]
  9. valid_X, valid_y = valid[:, :-1], valid[:, -1]
  10. test_X, test_y = test[:, :-1], test[:, -1]

  1. # 将数据集重构为符合LSTM要求的数据格式,即 [样本,时间步,特征]
  2. train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1]))
  3. valid_X = valid_X.reshape((valid_X.shape[0], 1, valid_X.shape[1]))
  4. test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1]))
  5. print(train_X.shape, train_y.shape, valid_X.shape, valid_y.shape, test_X.shape, test_y.shape)
  1. (400, 1, 5) (400,) (150, 1, 5) (150,) (27, 1, 5) (27,)

4 建立模型并训练

  1. model1 = Sequential()
  2. model1.add(LSTM(50, activation='relu',input_shape=(train_X.shape[1], train_X.shape[2]), return_sequences=True))
  3. model1.add(Dense(1, activation='linear'))
  4. model1.compile(loss='mean_squared_error', optimizer='adam')
  1. # fit network
  2. LSTM = model.fit(train_X, train_y, epochs=100, batch_size=32, validation_data=(valid_X, valid_y), verbose=2, shuffle=False)
  3. # plot history
  4. plt.plot(LSTM.LSTM['loss'], label='train')
  5. plt.plot(LSTM.LSTM['val_loss'], label='valid')
  6. plt.legend()
  7. plt.show()

5 模型预测并可视化

  1. plt.figure(figsize=(24,8))
  2. train_predict = model.predict(train_X)
  3. valid_predict = model.predict(valid_X)
  4. test_predict = model.predict(test_X)
  5. plt.plot(values[:, -1], c='b')
  6. plt.plot([x for x in train_predict], c='g')
  7. plt.plot([None for _ in train_predict] + [x for x in valid_predict], c='y')
  8. plt.plot([None for _ in train_predict] + [None for _ in valid_predict] + [x for x in test_predict], c='r')
  9. plt.show()


蓝色曲线为真实输出

绿色曲线为训练数据的预测输出

黄色曲线为验证数据集的预测输出

红色曲线为测试数据的预测输出(能看出来模型预测效果还是比较好的)

6 小结

本次只采用了一个地区的数据用来训练模型,在后续的工作中可以增加多任务学习内容。

Kesci: Keras 实现 LSTM——时间序列预测的更多相关文章

  1. (数据科学学习手札40)tensorflow实现LSTM时间序列预测

    一.简介 上一篇中我们较为详细地铺垫了关于RNN及其变种LSTM的一些基本知识,也提到了LSTM在时间序列预测上优越的性能,本篇就将对如何利用tensorflow,在实际时间序列预测任务中搭建模型来完 ...

  2. Pytorch循环神经网络LSTM时间序列预测风速

    #时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征.这是一类相对比较复杂的预测建模问题,和回归分析模型的预测不同,时间序列模型是依赖于事件发生的先后顺序的,同样大 ...

  3. LSTM时间序列预测及网络层搭建

    一.LSTM预测未来一年某航空公司的客运流量 给你一个数据集,只有一列数据,这是一个关于时间序列的数据,从这个时间序列中预测未来一年某航空公司的客运流量.数据形式: 二.实战 1)数据下载 你可以go ...

  4. keras-anomaly-detection 代码分析——本质上就是SAE、LSTM时间序列预测

    keras-anomaly-detection Anomaly detection implemented in Keras The source codes of the recurrent, co ...

  5. 使用keras的LSTM进行预测----实战练习

    代码 import numpy as np from keras.models import Sequential from keras.layers import Dense from keras. ...

  6. LSTM时间序列预测学习

    一.文件准备工作 下载好的例程序 二.开始运行 1.在程序所在目录中(chapter_15)打开终端   输入下面的指令运行 python train_lstm.py 此时出现了报错提示没有安装mat ...

  7. 基于 Keras 用 LSTM 网络做时间序列预测

    目录 基于 Keras 用 LSTM 网络做时间序列预测 问题描述 长短记忆网络 LSTM 网络回归 LSTM 网络回归结合窗口法 基于时间步的 LSTM 网络回归 在批量训练之间保持 LSTM 的记 ...

  8. Python中利用LSTM模型进行时间序列预测分析

    时间序列模型 时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征.这是一类相对比较复杂的预测建模问题,和回归分析模型的预测不同,时间序列模型是依赖于事件发生的先后顺 ...

  9. 使用tensorflow的lstm网络进行时间序列预测

    https://blog.csdn.net/flying_sfeng/article/details/78852816 版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog. ...

随机推荐

  1. SpringBoot配置多数据源时遇到的问题

    SpringBoot配置多数据源 参考代码:Spring Boot 1.5.8.RELEASE同时配置Oracle和MySQL 原作者用的是1.5.8版本的SpringBoot,在升级到2.0.*之后 ...

  2. Linux 第一周作业

    [](http://images2017.cnblogs.com/blog/1249774/201710/1249774-20171001234038872-10d31233192.pngd

  3. Java Web(九) JDBC及数据库连接池及DBCP,c3p0,dbutils的使用

    DBCP.C3P0.DBUtils的jar包和配置文件(百度云盘):点我下载 JDBC JDBC(Java 数据库连接,Java Database Connectify)是标准的Java访问数据库的A ...

  4. R语言常用操作

    1 取整运算 在编程实现的时候有时会碰到对数值取整的需求,而取整的方式却多种多样,依赖于具体问题,不过在R中已经配备了种类齐全的相关函数,主要包括以下五种: floor():向下取整: ceiling ...

  5. JAVA按数字,字母排序,但不包括大小写和汉字排序

    public class ABC { public static void main(String[] args) { new ABC().sortStringArray(); } public vo ...

  6. wpf自定义控件中使用自定义事件

    wpf自定义控件中使用自定义事件 1 创建自定义控件及自定义事件 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 2 ...

  7. 【阅读笔记】《C程序员 从校园到职场》第二章 学校到职场

    一.代码规范: 1.变量命名(让人一眼看它是什么意思,要做什么操作),定义并初始化 2.函数命名规范(函数的功能)在主函数之前进行声明. 在实际项目中,一般不在函数调用者的内部来对被调函数进行声明,而 ...

  8. day037 行记录的操作

    1.库操作 2.表操作 3.行操作 1.库操作 1)创建数据库 语法: create database 数据库名 charset utf8; 数据库命名规则: 由数字,字母,下划线,@,#,$ 等组成 ...

  9. day11 第一类对象 闭包 迭代器

    今日主要内容: 1 . 第一类对象 -->函数名--> 变量名 2. 闭包 -->函数的嵌套 3. 迭代器 --> 固定的思想 for 循环 第一类对象  : 函数对象介意向变 ...

  10. 外部点击链接,登陆后,直接跳转到该链接(过滤器 + Cookie实现)

    一.web.xml (1)指定过滤的Servlet类 (2)配置过滤规则,过滤以.mail结尾的链接 <?xml version="1.0" encoding="U ...