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
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
# 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()