前言：
这个问题是国际航空乘客预测问题， 数据是1949年1月到1960年12月国际航空公司每个月的乘客数量（单位：千人），共有12年144个月的数据。
数据趋势：
训练程序：
|
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
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
|
import numpy as np import pandas as pd import matplotlib.pyplot as plt import torch from torch import nnfrom torch.autograd import Variable#LSTM（Long Short-Term Memory）是长短期记忆网络data_csv = pd.read_csv('C:/Users/DZF/Desktop/LSTM/data.csv',usecols=[1])#pandas.read_csv可以读取CSV（逗号分割）文件、文本类型的文件text、log类型到DataFrame#原有两列，时间和乘客数量，usecols=1：只取了乘客数量一列plt.plot(data_csv)plt.show()#数据预处理data_csv = data_csv.dropna() #去掉na数据dataset = data_csv.values #字典(Dictionary) values()：返回字典中的所有值。dataset = dataset.astype('float32') #astype(type):实现变量类型转换 max_value = np.max(dataset)min_value = np.min(dataset)scalar = max_value-min_valuedataset = list(map(lambda x: x/scalar, dataset)) #将数据标准化到0~1之间#lambda:定义一个匿名函数，区别于def#map(f(x),Itera):map()接收函数f和一个list,把函数f依次作用在list的每个元素上,得到一个新的object并返回'''接着我们进行数据集的创建，我们想通过前面几个月的流量来预测当月的流量，比如我们希望通过前两个月的流量来预测当月的流量，我们可以将前两个月的流量当做输入，当月的流量当做输出。同时我们需要将我们的数据集分为训练集和测试集，通过测试集的效果来测试模型的性能，这里我们简单的将前面几年的数据作为训练集，后面两年的数据作为测试集。'''def create_dataset(dataset,look_back=2):#look_back 以前的时间步数用作输入变量来预测下一个时间段 dataX, dataY=[], [] for i in range(len(dataset) - look_back): a = dataset[i:(i+look_back)] #i和i+1赋值 dataX.append(a) dataY.append(dataset[i+look_back]) #i+2赋值 return np.array(dataX), np.array(dataY) #np.array构建数组data_X, data_Y = create_dataset(dataset)#data_X: 2*142 data_Y: 1*142#划分训练集和测试集，70%作为训练集train_size = int(len(data_X) * 0.7)test_size = len(data_X)-train_size train_X = data_X[:train_size]train_Y = data_Y[:train_size] test_X = data_X[train_size:]test_Y = data_Y[train_size:] train_X = train_X.reshape(-1,1,2) #reshape中，-1使元素变为一行，然后输出为1列，每列2个子元素train_Y = train_Y.reshape(-1,1,1) #输出为1列，每列1个子元素test_X = test_X.reshape(-1,1,2) train_x = torch.from_numpy(train_X) #torch.from_numpy(): numpy中的ndarray转化成pytorch中的tensor(张量)train_y = torch.from_numpy(train_Y)test_x = torch.from_numpy(test_X)#定义模型 输入维度input_size是2，因为使用2个月的流量作为输入，隐藏层维度hidden_size可任意指定，这里为4class lstm_reg(nn.Module): def __init__(self,input_size,hidden_size, output_size=1,num_layers=2): super(lstm_reg,self).__init__() #super() 函数是用于调用父类(超类)的一个方法，直接用类名调用父类 self.rnn = nn.LSTM(input_size,hidden_size,num_layers) #LSTM 网络 self.reg = nn.Linear(hidden_size,output_size) #Linear 函数继承于nn.Module def forward(self,x): #定义model类的forward函数 x, _ = self.rnn(x) s,b,h = x.shape #矩阵从外到里的维数 #view()函数的功能和reshape类似，用来转换size大小 x = x.view(s*b, h) #输出变为（s*b）*h的二维 x = self.reg(x) x = x.view(s,b,-1) #卷积的输出从外到里的维数为s,b,一列 return xnet = lstm_reg(2,4) #input_size=2，hidden_size=4 criterion = nn.MSELoss() #损失函数均方差optimizer = torch.optim.Adam(net.parameters(),lr=1e-2)#构造一个优化器对象 Optimizer,用来保存当前的状态，并能够根据计算得到的梯度来更新参数#Adam 算法:params (iterable)：可用于迭代优化的参数或者定义参数组的 dicts lr:学习率for e in range(10000): var_x = Variable(train_x) #转为Variable（变量） var_y = Variable(train_y) out = net(var_x) loss = criterion(out, var_y) optimizer.zero_grad() #把梯度置零，也就是把loss关于weight的导数变成0. loss.backward() #计算得到loss后就要回传损失，这是在训练的时候才会有的操作，测试时候只有forward过程 optimizer.step() #回传损失过程中会计算梯度，然后optimizer.step()根据这些梯度更新参数 if (e+1)%100 == 0: print('Epoch: {}, Loss:{:.5f}'.format(e+1, loss.data[0])) torch.save(net.state_dict(), 'net_params.pkl') #保存训练文件net_params.pkl#state_dict 是一个简单的python的字典对象,将每一层与它的对应参数建立映射关系 |
测试程序：
|
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
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
|
import numpy as np import pandas as pd import matplotlib.pyplot as plt import torch from torch import nnfrom torch.autograd import Variabledata_csv = pd.read_csv('C:/Users/DZF/Desktop/LSTM/data.csv',usecols=[1]) # plt.plot(data_csv)# plt.show()#数据预处理data_csv = data_csv.dropna() #去掉na数据dataset = data_csv.values #字典(Dictionary) values()：返回字典中的所有值。dataset = dataset.astype('float32') # astype(type):实现变量类型转换 max_value = np.max(dataset)min_value = np.min(dataset)scalar = max_value-min_valuedataset = list(map(lambda x: x/scalar, dataset)) #将数据标准化到0~1之间def create_dataset(dataset,look_back=2): dataX, dataY=[], [] for i in range(len(dataset)-look_back): a=dataset[i:(i+look_back)] dataX.append(a) dataY.append(dataset[i+look_back]) return np.array(dataX), np.array(dataY) data_X, data_Y = create_dataset(dataset)class lstm_reg(nn.Module): def __init__(self,input_size,hidden_size, output_size=1,num_layers=2): super(lstm_reg,self).__init__() self.rnn = nn.LSTM(input_size,hidden_size,num_layers) self.reg = nn.Linear(hidden_size,output_size) def forward(self,x): x, _ = self.rnn(x) s,b,h = x.shape x = x.view(s*b, h) x = self.reg(x) x = x.view(s,b,-1) return x net = lstm_reg(2,4)net.load_state_dict(torch.load('net_params.pkl')) data_X = data_X.reshape(-1, 1, 2) #reshape中，-1使元素变为一行，然后输出为1列，每列2个子元素data_X = torch.from_numpy(data_X) #torch.from_numpy(): numpy中的ndarray转化成pytorch中的tensor（张量）var_data = Variable(data_X) #转为Variable（变量）pred_test = net(var_data) #产生预测结果pred_test = pred_test.view(-1).data.numpy() #view(-1)输出为一行plt.plot(pred_test, 'r', label='prediction')plt.plot(dataset, 'b', label='real')plt.legend(loc='best') #loc显示图像 'best'表示自适应方式plt.show() |
预测结果：
到此这篇关于Python中LSTM回归神经网络时间序列预测详情的文章就介绍到这了,更多相关Python LSTM时间序列预测内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://blog.51cto.com/u_15416986/5472153
