长短期记忆网络（LSTM，Long Short-Term Memory） 使用kears 搭建一个LSTM预测模型，使用2022年美国大学生数学建模大赛中C题中处理后的BTC比特币的数据进行数据训练和预测。 这篇博客包含两个预测，一种是使用前N天的数据预测后一天的数据，一种使用前N天的数据预测后N天的数据
第一种：使用前个三十天数据进行预测后一天的数据。
总数据集：1826个数据 数据下载地址：需要的可以自行下载，很快

• 链接：https://pan.baidu.com/s/1TmQxLfzHiyOL3vEVcuWlgQ
• 提取码：wy0f

模型结构

Model: "sequential" _________________________________________________________________ Layer (type)Output ShapeParam # ================================================================= lstm (LSTM)(None, 30, 64)16896 _________________________________________________________________ lstm_1 (LSTM)(None, 30, 128)98816 _________________________________________________________________ lstm_2 (LSTM)(None, 32)20608 _________________________________________________________________ dropout (Dropout)(None, 32)0 _________________________________________________________________ dense (Dense)(None, 1)33 ================================================================= Total params: 136,353 Trainable params: 136,353 Non-trainable params: 0 _________________________________________________________________

训练100次：
文章图片

损失函数图像： 【LSMT|LSMT 实战-python】
文章图片

预测和真实值比较，可以看到效果并不是很好，这个需要自己调参进行变化
文章图片

• 我的GPU加速时1650还挺快，7.5算力，训练时间可以接受
  
  文章图片
  

代码：

# 调用库 import numpy as np import pandas as pd import matplotlib.pyplot as plt from tensorflow import keras from tensorflow.keras import layers from sklearn.preprocessing import MinMaxScaler#### 数据处理部分 ##### 读入数据 data = https://www.it610.com/article/pd.read_excel('BTCtest.xlsx')# 时间戳长度 time_step = 30 # 输入序列长度print(len(data)) # 划分训练集与验证集 data = https://www.it610.com/article/data[['Value']] train = data[0:1277] valid = data[1278:1550] test = data[1551:]# 归一化 scaler = MinMaxScaler(feature_range=(0, 1))# datas 切片数据 time_step要输入的维度 pred 预测维度 def scalerClass(datas,scaler,time_step,pred): x, y = [], []scaled_data = https://www.it610.com/article/scaler.fit_transform(datas)for i in range(time_step, len(datas) - pred): x.append(scaled_data[i - time_step:i]) y.append(scaled_data[i: i + pred])# 把x_train转变为array数组 x, y = np.array(x), np.array(y).reshape(-1, 1)# reshape(-1,5)的意思时不知道分成多少行，但是是五列 return x,y# 训练集 验证集 测试集 切片 x_train,y_train = scalerClass(train,scaler,time_step=time_step,pred=1) x_valid, y_valid = scalerClass(valid,scaler,time_step=time_step,pred=1) x_test, y_test = scalerClass(test,scaler,time_step=time_step,pred=1)#### 建立神经网络模型 #### model = keras.Sequential() model.add(layers.LSTM(64, return_sequences=True, input_shape=(x_train.shape[1:]))) model.add(layers.LSTM(128, return_sequences=True)) model.add(layers.LSTM(32)) model.add(layers.Dropout(0.3)) model.add(layers.Dense(1))# model.compile(optimizer = 优化器，loss = 损失函数， metrics = ["准确率”]) #“adam"或者tf.keras.optimizers.Adam(lr = 学习率，decay = 学习率衰减率） # ”mse" 或者 tf.keras.losses.MeanSquaredError() model.compile(optimizer=keras.optimizers.Adam(), loss='mse',metrics=['accuracy'])# monitor：要监测的数量。 # factor：学习速率降低的因素。new_lr = lr * factor # patience：没有提升的epoch数，之后学习率将降低。 # verbose：int。0：安静，1：更新消息。 # mode：{auto，min，max}之一。在min模式下，当监测量停止下降时，lr将减少；在max模式下，当监测数量停止增加时，它将减少；在auto模式下，从监测数量的名称自动推断方向。 # min_delta：对于测量新的最优化的阀值，仅关注重大变化。 # cooldown：在学习速率被降低之后，重新恢复正常操作之前等待的epoch数量。 # min_lr：学习率的下限 learning_rate= keras.callbacks.ReduceLROnPlateau(monitor='val_loss', patience=3, factor=0.7, min_lr=0.00000001)#显示模型结构 model.summary() # 训练模型 history = model.fit(x_train, y_train, batch_size = 128, epochs=100, validation_data=https://www.it610.com/article/(x_valid, y_valid), callbacks=[learning_rate])# loss变化趋势可视化 plt.title('LSTM loss figure') plt.plot(history.history['loss'],label='training loss') plt.plot(history.history['val_loss'], label='val loss') plt.legend(loc='upper right') plt.show()#### 预测结果分析&可视化 ##### 输入测试数据,输出预测结果 y_pred = model.predict(x_test) # 输入数据和标签,输出损失和精确度 model.evaluate(x_test) scaler.fit_transform(pd.DataFrame(valid['Value'].values))# 反归一化 y_pred = scaler.inverse_transform(y_pred.reshape(-1,1)[:,0].reshape(1,-1)) #只取第一列 y_test = scaler.inverse_transform(y_test.reshape(-1,1)[:,0].reshape(1,-1))# 预测效果可视化plt.figure(figsize=(16, 8)) plt.title('Predicted and real') dict = { 'Predictions': y_pred[0], 'Value': y_test[0] } data_pd = pd.DataFrame(dict) plt.plot(data_pd[['Value']],linewidth=3,alpha=0.8) plt.plot(data_pd[['Predictions']],linewidth=1.2) #plt.savefig('lstm.png', dpi=600) plt.show()

预测后几天的数据和预测后一天原理是一样的

• 因为预测的是5天的数据所以不能使用图像显示出来，只能取出预测五天的头一天的数据进行绘图。数据结构可以打印出来的，我没有反归一化，需要的时候再弄把
• 前五十天预测五天的代码：

# 调用库 import numpy as np import pandas as pd import matplotlib.pyplot as plt from tensorflow import keras from tensorflow.keras import layers from sklearn.preprocessing import MinMaxScaler# 读入数据 data = https://www.it610.com/article/pd.read_excel('BTCtest.xlsx')time_step = 50 # 输入序列长度# 划分训练集与验证集 data = https://www.it610.com/article/data[['Value']] train = data[0:1277]#70% valid = data[1278:1550] #15% test = data[1551:] #15%# 归一化 scaler = MinMaxScaler(feature_range=(0, 1))# 定义一个切片函数 # datas 切片数据 time_step要输入的维度 pred 预测维度 def scalerClass(datas,scaler,time_step,pred): x, y = [], []scaled_data = https://www.it610.com/article/scaler.fit_transform(datas)for i in range(time_step, len(datas) - pred): x.append(scaled_data[i - time_step:i]) y.append(scaled_data[i: i + pred])# 把x_train转变为array数组 x, y = np.array(x), np.array(y).reshape(-1, 5)# reshape(-1,5)的意思时不知道分成多少行，但是是五列 return x,y# 训练集 验证集 测试集 切片 x_train,y_train = scalerClass(train,scaler,time_step=time_step,pred=5) x_valid, y_valid = scalerClass(valid,scaler,time_step=time_step,pred=5) x_test, y_test = scalerClass(test,scaler,time_step=time_step,pred=5)# 建立网络模型 model = keras.Sequential() model.add(layers.LSTM(64, return_sequences=True, input_shape=(x_train.shape[1:]))) model.add(layers.LSTM(64, return_sequences=True)) model.add(layers.LSTM(32)) model.add(layers.Dropout(0.1)) model.add(layers.Dense(5))model.compile(optimizer=keras.optimizers.Adam(), loss='mse',metrics=['accuracy']) learning_rate_reduction = keras.callbacks.ReduceLROnPlateau(monitor='val_loss', patience=3, factor=0.7, min_lr=0.000000005)model.summary() history = model.fit(x_train, y_train, batch_size = 128, epochs=30, validation_data=https://www.it610.com/article/(x_valid, y_valid), callbacks=[learning_rate_reduction])# loss变化趋势可视化 plt.title('LSTM loss figure') plt.plot(history.history['loss'],label='training loss') plt.plot(history.history['val_loss'], label='val loss') plt.legend(loc='upper right') plt.show()#### 预测结果分析&可视化 ####y_pred = model.predict(x_test) model.evaluate(x_test) scaler.fit_transform(pd.DataFrame(valid['Value'].values))print(y_pred) print(y_test)# 预测效果可视化 # 反归一化 y_pred = scaler.inverse_transform(y_pred.reshape(-1,5)[:,0].reshape(1,-1)) #只取第一列 y_test = scaler.inverse_transform(y_test.reshape(-1,5)[:,0].reshape(1,-1))plt.figure(figsize=(16, 8)) plt.title('Predicted and real') dict_data = https://www.it610.com/article/{'Predictions': y_pred.reshape(1,-1)[0], 'Value': y_test[0] } data_pd = pd.DataFrame(dict_data) plt.plot(data_pd[['Value']],linewidth=3,alpha=0.8) plt.plot(data_pd[['Predictions']],linewidth=1.2) plt.savefig('lstm.png', dpi=600) plt.show()

推荐阅读

• 

  2020年小规模纳税人标准 小规模纳税人增值税申报在哪里，增值税纳税申报表在哪里查
• 

  草莓吃多了有什么坏处
• 

  喝粥食谱大全图 喝粥食谱大全
• 

  描写树木十分茂密的词语
• 

  西安手机批发市场在哪里？西安手机批发一手货源去哪里拿
• 

  淘宝直播录制教程，淘宝直播怎么弄录播上去
• 

  脸上死皮怎么去掉 去死皮有妙招
• 

  六零年代傻乎乎 傻妞与憨夫
• 

  三星堆再曝新发现三星堆再曝新发现刺五加片
• 

  1390打印机清零-epson stylus photo 1390 怎
• 

  怎么判断是不是粘液腺囊肿图片 怎么判断是不是粘液腺囊肿
• 

  三伏天什么人不能艾灸
• 

  东航坠机一空乘为24岁女孩 闺蜜：她的婚礼因工作推迟到5月
• 

  5d4log设置 佳能5d4log模式在哪里
• 

  手术后不能吃什么 手术后吃牛肉对伤口有影响吗
• 

  OPPO|带来更多玩法的折叠屏新品，OPPO Find N发布，网友：配置低了点
• 

  枸杞泡水喝有什么好处？枸杞子泡水喝的功效
• 

  荣耀|荣耀性价比最低的手机，同样的5G处理器，隔壁只卖1499
• 

  老游戏日本角色扮演，日本角色扮演单机游戏
• 

  上海大观园有什么好玩的附大观园简介