技术标签: LSTM预测从入门到实战
本文是对:
https://blog.csdn.net/iyangdi/article/details/77881755
博文的学习笔记,博主笔风都很浪,有些细节一笔带过,本人以谦逊的态度进行了学习和整理,笔记内容都在代码的注释中。有不清楚的可以去原博主文中查看。
数据集下载:https://datamarket.com/data/set/22r0/sales-of-shampoo-over-a-three-year-period
后期我会补上我的github
源码地址:https://github.com/yangwohenmai/LSTM/tree/master/LSTM%E7%B3%BB%E5%88%97/Multi-Step%20LSTM%E9%A2%84%E6%B5%8B1
本文主要是告诉我们一种多步预测的方法。
什么是多步预测?可以理解为我取最新的3条数据去预测下一条数据,再用最近的2条数据和刚预测出来的1条数据去重新进行预测。
文章中没有对数据进行正常的预测,只是简单的把最后一次观测值作为预测值,演示了一下多步预测的流程,最后算了一下损失函数的数值。
数据上并没有参考意义,所以最后做出的图形也没有参考意义,我们只需理解其思路即可。
本人对文章的批注都加载代码的注释中,文章整理如下:
数据准备与模型评估
1、拆分成训练和测试数据。
训练数据=前两年香皂销售数据
测试数据=剩下一年的香皂销售数据
2、Multi-Step 预测
假设需要预测3个月的销售数据
3、模型评估
用rolling-forcast(walk-forward)方式模型验证
测试数据每个时间步,滑动一个值,预测;之后测试数据的下一个真实观测值加入模型,并预测
用RMSE评估
持久模型(Persistence Model)
他是很好的时间序列预测的基准
是最简单的预测
原理:
用当前值作为之后的预测值
# coding=utf-8
from pandas import read_csv
from pandas import DataFrame
from pandas import concat
from sklearn.metrics import mean_squared_error
from math import sqrt
from matplotlib import pyplot
from pandas import datetime
def parser(x):
return datetime.strptime(x, '%Y/%m/%d')
# 把数据拆分,线性数据变成四个一组的监督型数据
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 = DataFrame(data) # 数据多了行标、列标
cols, names = list(), list()
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)]
for i in range(0, n_out, 1):
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)]
agg = concat(cols, axis=1)
agg.columns = names
if dropnan:
agg.dropna(inplace=True)
return agg
# 拆分正训练+测试数据
def prepare_data(series, n_test, n_lay, n_seq):
raw_values = series.values
raw_values = raw_values.reshape(len(raw_values), 1)
#转换成四个一组的监督型数据
supervised = series_to_supervised(raw_values, n_lay, n_seq)
supervised_values = supervised.values
# 前3/4作为训练数据,后1/4作为预测 测试数据
train, test = supervised_values[0:-n_test], supervised_values[-n_test:]
return train, test
# persistence model预测
# 用上一次观察值作为之后n_seq的预测值
# 其实只是单纯的把上一次的观测值,重复三次写入一个包含三个元素的数组,作为一个包含三个元素的预测结果
def persistence(last_ob, n_seq):
return [last_ob for i in range(n_seq)]
# 评估persistence model
# 把由
def make_forcast(train, test, n_lay, n_seq):
forcasts = list()
for i in range(len(test)):
x, y = test[i, 0:n_lag], test[i, n_lag:]
# 这里的预测其实就是抄写上一次的观测值,把观测值变成一个数组列表
forcast = persistence(x[-1], n_seq)
forcasts.append(forcast)
return forcasts
# 预测评估
# 计算预测结果的损失值,把抄写的观测值结果带入运算损失值,输出。
def evaluate_forcasts(test, forcasts, n_lag, n_seq):
for i in range(n_seq):
actual = test[:, (n_lag + i)]
predicted = [forcast[i] for forcast in forcasts]
print('predicted')
print(predicted)
rmse = sqrt(mean_squared_error(actual, predicted))
print('t+%d RMSE:%f' % ((i + 1), rmse)) # 1~n_seq各个长度的预测的rmse
def plot_forcasts(series, forcasts, n_test):
# 原始数据
pyplot.plot(series.values)
# 预测数据
for i in range(len(forcasts)):
off_s = len(series) - n_test + i - 1
off_e = off_s + len(forcasts[i]) + 1
xaxis = [x for x in range(off_s, off_e)]
yaxis = [series.values[off_s]] + forcasts[i]
print('xaxis')
print(xaxis)
print('yaxis')
print(yaxis)
print('series.values[off_s]')
print(series.values[off_s])
pyplot.plot(xaxis, yaxis, color='red')
pyplot.show()
series = read_csv('data_set/shampoo-sales.csv', header=0, parse_dates=[0], index_col=0, squeeze=True, date_parser=parser)
# 一步数据,预测3步
n_lag = 1
n_seq = 3
n_test = 10 # 给了最后12个月,预测3个月,则能预测的次数是10,即10个3个月,即1,2,3->4 2,3,4->5 3,4,5->6 ...
train, test = prepare_data(series, n_test, n_lag, n_seq)
print('train data')
print(train)
print('test data')
print(test)
forecasts = make_forcast(train, test, n_lag, n_seq)
print('forecasts')
print(forecasts)
# 没有任何意义,只是为了教你如何进行多步的预测,数据全是根据最后观测值编造的
evaluate_forcasts(test, forecasts, n_lag, n_seq)
plot_forcasts(series, forecasts, n_test + 2)
文章浏览阅读1.3w次,点赞14次,收藏25次。最近研究了vue的官方文档,到组件自定义渲染函数时,对第二个属性对象参数中的scopedSlots不太明白作用是什么,官网的案例也是一笔带过,于是连查带试算是明白了他的作用,这里记录一下,希望能帮到遇到相同问题的童鞋.先说一下函数中的$slots吧,这个用起来很简单,直接获取到组件中对应的插槽虚拟节点.this.$slots.插槽名称.废话少说,直接上代码:<div id="a..._this.$scopedslots
文章浏览阅读884次。本文将介绍领域驱动设计(DDD)战术模式中另一个非常重要的概念——领域服务。在前面两篇博文中,我们已经学习到了什么是值对象和实体,并且能够比较清晰的定位它们自身的行为。但是在某些时候,你..._领域服务需要用到的服务,放在什么位置
文章浏览阅读1.8k次。无法为JSP编译类:记录一个较少见的问题。在maven+ssm搭建中遇到的 org.apache.jasper.JasperException解决办法:(未细究其根本原因)将tomcat有tomcat7变更为tomcat8,启动项目可正产访问!_无法为jsp编译类:
文章浏览阅读1.7k次,点赞8次,收藏11次。是专为支持而设计的向量和向量,这使得它适用于各种基于的等应用。Qdrant 使用编写,即使在高负载下也能快速、可靠地工作。_qdrant
文章浏览阅读870次。Windows下备份和恢复1、备份①、用管理员身份启动cmd命令行②、进入mysql安装目录下bin文件夹内cd C:\Program Files\MySQL\MySQL Server 5.6\bin③、执行命令,回车,输入密码,备份文件在mysql bin文件下(xxx是数据库名,aaa是备份后的文件名,可以自己设置)mysqldump -u root -p xxx> aaa...._在cmd中执行mysql数据恢复语句
文章浏览阅读330次。数据产品经理修炼手册:从零基础到大数据产品实践IF you can't measure it, you can't improve it。-->意思是:如果你无法衡量,你就无法增长。数据产品:是可以发挥数据价值去辅助用户做更优决策的一种产品形式。它在用户的决策和行动过程中,可以提供更多的分析展现和数据洞察,让数据更直观、功效地驱动业务。从受众用户群体来看,数据产品可分为三类:1.企业内部使用的数据产品。2.企业针对公司推出的商业型数据产品。3.每个用户均可使用的数据产品。._4. if you can鈥檛 measure it, you can鈥檛 improve it
文章浏览阅读2.7k次。今天突然来了一个这样的需求,需要在C#的编辑框上加入一个Hint水印效果,类似如下图:以前在手机上(wp)上做过类似的效果。参考silverlight toolkit 的searchTextBox。现在要在winform下制作,开始我还以为应该有啥啥属性可以一键搞定,结果目测了一下,没有什么属性,于是乎百度了一下,网上说用win32API来做,这倒挺神奇的,参考别人做了如下列子。申明一_c#winform给图片添加水印
文章浏览阅读2.4k次。线性代数学习笔记_方程写成矩阵形式
文章浏览阅读13次。首先,它采用全球通用的SIM卡标准,可以在全球范围内实现设备和网络的即插即用,实现方便快捷的连接。其次,电信物联卡具备稳定可靠的网络连接能力,不论是在城市还是偏远的乡村,不论是低功耗设备还是高频传输设备,都能提供高质量的网络服务。在智慧城市中,电信物联卡可以实现对公共设施的监控和管理,提高城市的运行效率和人们的生活质量。电信物联卡的普及和应用,不仅改变了我们的生活方式,也为未来的智能互联时代带来了无限可能。在当今信息化高速发展的时代,物联网作为技术创新的重要领域,正深刻地改变着我们的生活和工作方式。
文章浏览阅读2.3w次,点赞35次,收藏450次。随着互联网安全威胁的不断加剧,越来越多的企业,尤其是大企业需要雇佣持有CISSP证书的网络安全专家来保护自己的网站、APP、服务、数据不受侵害,不受破坏。_信息安全专业用到哪些软件
文章浏览阅读6.4k次,点赞4次,收藏7次。接到了一个需求,把正式数据库的A表(2.9万+)数据,导到测试数据库的A表中。数据量小,可以用“+”这种方式数据量大只能用dmp、sql文件、DBlink由于两个数据库的表空间不一样,dmp的方式先放弃。采用导出sql文件的形式,导出来后查看文件竟然中文乱码。导入数据库后也还是乱码状态。于是去网上查找到了解决办法。 1、首先产生问题的原因是,自己电脑环境变量NLS_LANG的值和数据库字符集不一致就造成了导入之后数据是乱码的问题。 2、解决办..._oracle导出sql中文乱码
文章浏览阅读186次。javaScript中的对象的继承方式摘自《JavaScript面向对象编程指南(第二版)》_12种继承方式