时间序列深度学习（状态|时间序列深度学习：状态 LSTM 模型预测太阳黑子（下））时间序列深度学习：状态LSTM模

作者：徐瑞龙整理分享量化投资与固定收益相关的文章
博客专栏：
https://www.cnblogs.com/xuruilong100

5.3 预测未来 10 年的数据我们可以通过调整预测函数来使用完整的数据集预测未来 10 年的数据。新函数 predict_keras_lstm_future() 用来预测未来 120 步（或 10 年）的数据。

predict_keras_lstm_future <- function(data,
epochs = 300,
...) {lstm_prediction <- function(data,epochs,
...) {# 5.1.2 Data Setup (MODIFIED)df <- data# 5.1.3 Preprocessingrec_obj <- recipe(value ~ ., df) %>%
step_sqrt(value) %>%
step_center(value) %>%
step_scale(value) %>%
prep()df_processed_tbl <- bake(rec_obj, df)center_history <- rec_obj$steps[[2]]$means["value"]scale_history<- rec_obj$steps[[3]]$sds["value"]
# 5.1.4 LSTM Planlag_setting<- 120 # = nrow(df_tst)batch_size<- 40train_length <- 440tsteps<- 1epochs<- epochs
# 5.1.5 Train Setup (MODIFIED)lag_train_tbl <- df_processed_tbl %>%mutate(value_lag = lag(value, n = lag_setting)) %>%filter(!is.na(value_lag)) %>%tail(train_length)x_train_vec <- lag_train_tbl$value_lagx_train_arr <- array(data = https://www.it610.com/article/x_train_vec, dim = c(length(x_train_vec), 1, 1))y_train_vec <- lag_train_tbl$valuey_train_arr <- array(data = y_train_vec, dim = c(length(y_train_vec), 1))x_test_vec <- y_train_vec %>% tail(lag_setting)x_test_arr <- array(data = https://www.it610.com/article/x_test_vec, dim = c(length(x_test_vec), 1, 1))# 5.1.6 LSTM Modelmodel <- keras_model_sequential()model %>%layer_lstm(units= 50,input_shape= c(tsteps, 1),batch_size= batch_size,return_sequences = TRUE,stateful= TRUE) %>%layer_lstm(units= 50,return_sequences = FALSE,stateful= TRUE) %>%layer_dense(units = 1)model %>%compile(loss = 'mae', optimizer = 'adam')# 5.1.7 Fitting LSTMfor (i in 1:epochs) {model %>%fit(x= x_train_arr,y= y_train_arr,batch_size = batch_size,epochs= 1,verbose= 1,shuffle= FALSE)model %>% reset_states()cat("Epoch: ", i)}# 5.1.8 Predict and Return Tidy Data (MODIFIED)# Make Predictionspred_out <- model %>%predict(x_test_arr, batch_size = batch_size) %>%.[,1]# Make future index using tk_make_future_timeseries()idx <- data %>%tk_index() %>%tk_make_future_timeseries(n_future = lag_setting)
# Retransform valuespred_tbl <- tibble(index= idx,value= https://www.it610.com/article/(pred_out * scale_history + center_history)^2)
# Combine actual data with predictionstbl_1 <- df %>%add_column(key = "actual")tbl_3 <- pred_tbl %>%add_column(key = "predict")
# Create time_bind_rows() to solve dplyr issuetime_bind_rows <- function(data_1,data_2,index) {index_expr <- enquo(index)bind_rows(data_1, data_2) %>%as_tbl_time(index = !! index_expr)}ret <- list(tbl_1, tbl_3) %>%reduce(time_bind_rows, index = index) %>%arrange(key, index) %>%mutate(key = as_factor(key))return(ret)}safe_lstm <- possibly(lstm_prediction, otherwise = NA)safe_lstm(data, epochs, ...) }

下一步，在 sun_spots 数据集上运行 predict_keras_lstm_future() 函数。

future_sun_spots_tbl <- predict_keras_lstm_future(sun_spots, epochs = 300)

最后，我们使用 plot_prediction() 可视化预测结果，需要设置 id = NULL。我们使用 filter_time() 函数将数据集缩放到 1900 年之后。

future_sun_spots_tbl %>%
filter_time("1900" ~ "end") %>%
plot_prediction(
id = NULL, alpha = 0.4, size = 1.5) +
theme(legend.position = "bottom") +
ggtitle(
"Sunspots: Ten Year Forecast",
subtitle = "Forecast Horizon: 2013 - 2023")

时间序列深度学习（状态|时间序列深度学习：状态 LSTM 模型预测太阳黑子（下））

文章图片

结论本文演示了使用 keras 包构建的状态 LSTM 模型的强大功能。令人惊讶的是，提供的唯一特征是滞后 120 阶的历史数据，深度学习方法依然识别出了数据中的趋势。回测模型的 RMSE 均值等于 34，RMSE 标准差等于 13。虽然本文未显示，但我们对比测试1了 ARIMA 模型和 prophet 模型（Facebook 开发的时间序列预测模型），LSTM 模型的表现优越：平均误差减少了 30％以上，标准差减少了 40％。这显示了机器学习工具-应用适合性的好处。
除了使用的深度学习方法之外，文章还揭示了使用 ACF 图确定 LSTM 模型对于给定时间序列是否适用的方法。我们还揭示了时间序列模型的准确性应如何通过回测来进行基准测试，这种策略保持了时间序列的连续性，可用于时间序列数据的交叉验证。

【时间序列深度学习（状态|时间序列深度学习：状态 LSTM 模型预测太阳黑子（下））】

大家都在看
2017年R语言发展报告（国内）

R语言中文社区历史文章整理（作者篇）

R语言中文社区历史文章整理（类型篇）

文章图片

公众号后台回复关键字即可学习

回复 RR语言快速入门及数据挖掘
回复 Kaggle案例Kaggle十大案例精讲（连载中）
回复文本挖掘手把手教你做文本挖掘
回复可视化R语言可视化在商务场景中的应用
回复大数据大数据系列免费视频教程
回复量化投资张丹教你如何用R语言量化投资
回复用户画像京东大数据，揭秘用户画像
回复数据挖掘常用数据挖掘算法原理解释与应用
回复机器学习人工智能系列之机器学习与实践
回复爬虫R语言爬虫实战案例分享