Керас реализует LSTM

глубокое обучение

Используемые проекты и наборы данных взяты из:Проблемы прогнозирования временных рядов с использованием реальных отраслевых данных.

1 Краткое введение в проект

1.1 Введение

Целью этого проекта является создание системы совместного прогнозирования нескольких временных рядов, сочетающей внутренние и внешние функции. Набор данных использует несколько наборов связанных временных рядов (около 40 групп) и временных рядов внешних характеристик (около 5 групп) из отрасли. Субъект изучает методы анализа и фактические боевые процессы задач прогнозирования временных рядов посредством исследования данных, разработки признаков, исследования традиционных моделей временных рядов, исследования моделей машинного обучения, исследования моделей глубокого обучения (RNN, LSTM и т. д.), комбинации алгоритмов и анализ результата.

1.2 Описание набора данных

** Данные обучения имеют 8 столбцов: **

- дата - год: int
- число - месяц: int
- дата-день: int, промежуток времени 1 февраля 2015 г. - 31 августа 2016 г.
- Самая высокая температура дня - по Цельсию (такая же внизу): float
- Минимальная температура дня: поплавок
- Средняя температура дня: поплавок
- Средняя влажность за день: поплавок
- вывод - плавающий
Прогнозные данные не имеют выходной части, остальные аналогичны прогнозам. Период с 1 сентября 2016 г. по 30 ноября 2016 г.
И обучение, и прогнозирование содержат по 46 групп данных, каждая группа данных представляет разные источники данных, а информация о температуре и влажности между группами одинакова, но выходные данные различаются.

2 Импортируйте библиотеку и прочитайте данные представления

#查看其中一个地区的训练数据

import pandas as pd
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout
import matplotlib.pyplot as plt
% matplotlib inline
import glob, os
import seaborn as sns
import sys
from sklearn.preprocessing import MinMaxScaler

columns = ['YEAR','MONTH','DAY','TEMP_HIG','TEMP_COL','AVG_TEMP','AVG_WET','DATA_COL']
data = pd.read_csv('../input/industry/industry_timeseries/timeseries_train_data/1.csv', 
                      names=columns)
data.head()


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

3 Предварительная обработка данных

3.1 Преобразование данных временных рядов в данные контролируемой задачи

def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):
    n_vars = 1 if type(data) is list else data.shape[1]
    df = pd.DataFrame(data)
    cols, names = list(), list()
    # input sequence (t-n, ... t-1)
    for i in range(n_in, 0, -1):
        cols.append(df.shift(i))
        names += [('var%d(t-%d)' % (j+1, i)) for j in range(n_vars)]
    # forecast sequence (t, t+1, ... t+n)
    for i in range(0, n_out):
        cols.append(df.shift(-i))
        if i == 0:
            names += [('var%d(t)' % (j+1)) for j in range(n_vars)]
        else:
            names += [('var%d(t+%d)' % (j+1, i)) for j in range(n_vars)]
    # put it all together
    agg = pd.concat(cols, axis=1)
    agg.columns = names
    # drop rows with NaN values
    if dropnan:
        agg.dropna(inplace=True)
    return agg

Для понимания приведенного выше кода, пожалуйста, обратитесь к:How to Convert a Time Series to a Supervised Learning Problem in Python

 

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

print(redf.info())
redf.head()

3.2 Разделение набора данных и регуляризация

# 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
train_days = 400
valid_days = 150
values = redf.values
train = values[:train_days, :]
valid = values[train_days:train_days+valid_days, :]
test = values[train_days+valid_days:, :]
train_X, train_y = train[:, :-1], train[:, -1]
valid_X, valid_y = valid[:, :-1], valid[:, -1]
test_X, test_y = test[:, :-1], test[:, -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]
train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1]))
valid_X = valid_X.reshape((valid_X.shape[0], 1, valid_X.shape[1]))
test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1]))
print(train_X.shape, train_y.shape, valid_X.shape, valid_y.shape, test_X.shape, test_y.shape)

(400, 1, 5) (400,) (150, 1, 5) (150,) (27, 1, 5) (27,)

4 Создайте модель и обучите ее

model1 = Sequential()
model1.add(LSTM(50, activation='relu',input_shape=(train_X.shape[1], train_X.shape[2]), return_sequences=True))
model1.add(Dense(1, activation='linear'))
model1.compile(loss='mean_squared_error', optimizer='adam') 

# fit network
LSTM = model.fit(train_X, train_y, epochs=100, batch_size=32, validation_data=(valid_X, valid_y), verbose=2, shuffle=False)
# plot history
plt.plot(LSTM.LSTM['loss'], label='train')
plt.plot(LSTM.LSTM['val_loss'], label='valid')
plt.legend()
plt.show()

5 Предсказание модели и визуализация

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

Синяя кривая — реальный объем производства.

Зеленая кривая - это прогнозируемый результат для обучающих данных.

Желтая кривая - это прогнозируемый результат для набора данных проверки.

Красная кривая — результат прогнозирования тестовых данных (видно, что эффект прогнозирования модели все еще относительно хорош)

Категории