眾所周知，Python的功能是比較的強(qiáng)大的，除了可以用來(lái)對(duì)其進(jìn)行查詢數(shù)據(jù)之外，還可以使用Python LSTM來(lái)預(yù)測(cè)銷(xiāo)售額，那么，預(yù)測(cè)的方法繁瑣嗎？下面小編就給大家做一個(gè)詳細(xì)介紹。

　　大家經(jīng)常會(huì)遇到一些需要預(yù)測(cè)的場(chǎng)景，比如預(yù)測(cè)品牌銷(xiāo)售額，預(yù)測(cè)產(chǎn)品銷(xiāo)量。

　　今天給大家分享一波使用LSTM進(jìn)行端到端時(shí)間序列預(yù)測(cè)的完整代碼和詳細(xì)解釋。

　　我們先來(lái)了解兩個(gè)主題：

　　什么是時(shí)間序列分析？

　　什么是LSTM？

　　時(shí)間序列分析：時(shí)間序列表示基于時(shí)間順序的一系列數(shù)據(jù)。它可以是秒、分鐘、小時(shí)、天、周、月、年。未來(lái)的數(shù)據(jù)將取決于它以前的值。

　　在現(xiàn)實(shí)世界的案例中，我們主要有兩種類型的時(shí)間序列分析：

　　單變量時(shí)間序列

　　多元時(shí)間序列

　　對(duì)于單變量時(shí)間序列數(shù)據(jù)，我們將使用單列進(jìn)行預(yù)測(cè)。

　　正如我們所見(jiàn)，只有一列，因此即將到來(lái)的未來(lái)值將僅取決于它之前的值。

　　但是在多元時(shí)間序列數(shù)據(jù)的情況下，將有不同類型的特征值并且目標(biāo)數(shù)據(jù)將依賴于這些特征。

　　正如在圖片中看到的，在多元變量中將有多個(gè)列來(lái)對(duì)目標(biāo)值進(jìn)行預(yù)測(cè)。（上圖中“count”為目標(biāo)值）

　　在上面的數(shù)據(jù)中，count不僅取決于它以前的值，還取決于其他特征。因此，要預(yù)測(cè)即將到來(lái)的count值，我們必須考慮包括目標(biāo)列在內(nèi)的所有列來(lái)對(duì)目標(biāo)值進(jìn)行預(yù)測(cè)。

　　在執(zhí)行多元時(shí)間序列分析時(shí)必須記住一件事，我們需要使用多個(gè)特征預(yù)測(cè)當(dāng)前的目標(biāo)，讓我們通過(guò)一個(gè)例子來(lái)理解：

　　在訓(xùn)練時(shí)，如果我們使用5列[feature1,feature2,feature3,feature4,target]來(lái)訓(xùn)練模型，我們需要為即將到來(lái)的預(yù)測(cè)日提供4列[feature1,feature2,feature3,feature4]。

　　LSTM

　　本文中不打算詳細(xì)討論LSTM。所以只提供一些簡(jiǎn)單的描述，如果你對(duì)LSTM沒(méi)有太多的了解，可以參考我們以前發(fā)布的文章。

　　LSTM基本上是一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)，能夠處理長(zhǎng)期依賴關(guān)系。

　　假設(shè)你在看一部電影。所以當(dāng)電影中發(fā)生任何情況時(shí)，你都已經(jīng)知道之前發(fā)生了什么，并且可以理解因?yàn)檫^(guò)去發(fā)生的事情所以才會(huì)有新的情況發(fā)生。RNN也是以同樣的方式工作，它們記住過(guò)去的信息并使用它來(lái)處理當(dāng)前的輸入。RNN的問(wèn)題是，由于漸變消失，它們不能記住長(zhǎng)期依賴關(guān)系。因此為了避免長(zhǎng)期依賴問(wèn)題設(shè)計(jì)了lstm。

　　現(xiàn)在我們討論了時(shí)間序列預(yù)測(cè)和LSTM理論部分。讓我們開(kāi)始編碼。

　　讓我們首先導(dǎo)入進(jìn)行預(yù)測(cè)所需的庫(kù)：

　　import numpy as np
　　import pandas as pd
　　from matplotlib import pyplot as plt
　　from tensorflow.keras.models import Sequential
　　from tensorflow.keras.layers import LSTM
　　from tensorflow.keras.layers import Dense,Dropout
　　from sklearn.preprocessing import MinMaxScaler
　　from keras.wrappers.scikit_learn import KerasRegressor
　　from sklearn.model_selection import GridSearchCV

　　加載數(shù)據(jù)，并檢查輸出：

　　df=pd.read_csv("train.csv",parse_dates=["Date"],index_col=[0])
　　df.head()
　　df.tail()

　　現(xiàn)在讓我們花點(diǎn)時(shí)間看看數(shù)據(jù)：csv文件中包含了谷歌從2001-01-25到2021-09-29的股票數(shù)據(jù)，數(shù)據(jù)是按照天數(shù)頻率的。

　　[如果您愿意，您可以將頻率轉(zhuǎn)換為“B”[工作日]或“D”，因?yàn)槲覀儾粫?huì)使用日期，我只是保持它的現(xiàn)狀。]

　　這里我們?cè)噲D預(yù)測(cè)“Open”列的未來(lái)值，因此“Open”是這里的目標(biāo)列。

　　讓我們看一下數(shù)據(jù)的形狀：

　　df.shape
　　(5203,5)

　　現(xiàn)在讓我們進(jìn)行訓(xùn)練測(cè)試拆分。這里我們不能打亂數(shù)據(jù)，因?yàn)樵跁r(shí)間序列中必須是順序的。

　　test_split=round(len(df)*0.20)
　　df_for_training=df[:-1041]
　　df_for_testing=df[-1041:]
　　print(df_for_training.shape)
　　print(df_for_testing.shape)
　　(4162,5)
　　(1041,5)

　　可以注意到數(shù)據(jù)范圍非常大，并且它們沒(méi)有在相同的范圍內(nèi)縮放，因此為了避免預(yù)測(cè)錯(cuò)誤，讓我們先使用MinMaxScaler縮放數(shù)據(jù)。(也可以使用StandardScaler)

　　scaler=MinMaxScaler(feature_range=(0,1))
　　df_for_training_scaled=scaler.fit_transform(df_for_training)
　　df_for_testing_scaled=scaler.transform(df_for_testing)
　　df_for_training_scaled

　　將數(shù)據(jù)拆分為X和Y，這是最重要的部分，正確閱讀每一個(gè)步驟。

　　def createXY(dataset,n_past):
　　dataX=[]
　　dataY=[]
　　for i in range(n_past,len(dataset)):
　　dataX.append(dataset[i-n_past:i,0:dataset.shape[1]])
　　dataY.append(dataset[i,0])
　　return np.array(dataX),np.array(dataY)
　　trainX,trainY=createXY(df_for_training_scaled,30)
　　testX,testY=createXY(df_for_testing_scaled,30)

　　讓我們看看上面的代碼中做了什么：

　　N_past是我們?cè)陬A(yù)測(cè)下一個(gè)目標(biāo)值時(shí)將在過(guò)去查看的步驟數(shù)。

　　這里使用30，意味著將使用過(guò)去的30個(gè)值(包括目標(biāo)列在內(nèi)的所有特性)來(lái)預(yù)測(cè)第31個(gè)目標(biāo)值。

　　因此，在trainX中我們會(huì)有所有的特征值，而在trainY中我們只有目標(biāo)值。

　　讓我們分解for循環(huán)的每一部分：

　　對(duì)于訓(xùn)練，dataset=df_for_training_scaled,n_past=30

　　當(dāng)i=30：

　　data_X.addend(df_for_training_scaled[i-n_past:i,0:df_for_training.shape[1]])

　　從n_past開(kāi)始的范圍是30，所以第一次數(shù)據(jù)范圍將是-[30-30,30,0:5]相當(dāng)于[0:30,0:5]

　　因此在dataX列表中，df_for_training_scaled[0:30,0:5]數(shù)組將第一次出現(xiàn)。

　　現(xiàn)在,dataY.append(df_for_training_scaled[i,0])

　　i=30，所以它將只取第30行開(kāi)始的open(因?yàn)樵陬A(yù)測(cè)中，我們只需要open列，所以列范圍僅為0，表示open列)。

　　第一次在dataY列表中存儲(chǔ)df_for_training_scaled[30,0]值。

　　所以包含5列的前30行存儲(chǔ)在dataX中，只有open列的第31行存儲(chǔ)在dataY中。然后我們將dataX和dataY列表轉(zhuǎn)換為數(shù)組，它們以數(shù)組格式在LSTM中進(jìn)行訓(xùn)練。

　　我們來(lái)看看形狀。

　　print("trainX Shape--",trainX.shape)
　　print("trainY Shape--",trainY.shape)
　　(4132,30,5)
　　(4132,)
　　print("testX Shape--",testX.shape)
　　print("testY Shape--",testY.shape)
　　(1011,30,5)
　　(1011,)

　　4132是trainX中可用的數(shù)組總數(shù)，每個(gè)數(shù)組共有30行和5列，在每個(gè)數(shù)組的trainY中，我們都有下一個(gè)目標(biāo)值來(lái)訓(xùn)練模型。

　　讓我們看一下包含來(lái)自trainX的(30,5)數(shù)據(jù)的數(shù)組之一和trainX數(shù)組的trainY值：

　　print("trainX[0]--n",trainX[0])
　　print("trainY[0]--",trainY[0])

       如果查看trainX[1]值，會(huì)發(fā)現(xiàn)到它與trainX[0]中的數(shù)據(jù)相同（第一列除外），因?yàn)槲覀儗⒖吹角?0個(gè)來(lái)預(yù)測(cè)第31列，在第一次預(yù)測(cè)之后它會(huì)自動(dòng)移動(dòng)到第2列并取下一個(gè)30值來(lái)預(yù)測(cè)下一個(gè)目標(biāo)值。

　　讓我們用一種簡(jiǎn)單的格式來(lái)解釋這一切：

　　trainX——→trainY
　　[0:30,0:5]→[30,0]
　　[1:31,0:5]→[31,0]
　　[2:32,0:5]→[32,0]

　　像這樣，每個(gè)數(shù)據(jù)都將保存在trainX和trainY中。

　　現(xiàn)在讓我們訓(xùn)練模型，我使用girdsearchCV進(jìn)行一些超參數(shù)調(diào)整以找到基礎(chǔ)模型。

　　def build_model(optimizer):
　　grid_model=Sequential()
　　grid_model.add(LSTM(50,return_sequences=True,input_shape=(30,5)))
　　grid_model.add(LSTM(50))
　　grid_model.add(Dropout(0.2))
　　grid_model.add(Dense(1))
　　grid_model.compile(loss='mse',optimizer=optimizer)
　　return grid_modelgrid_model=KerasRegressor(build_fn=build_model,verbose=1,validation_data=(testX,testY))
　　parameters={'batch_size':[16,20],
　　'epochs':[8,10],
　　'optimizer':['adam','Adadelta']}
　　grid_search=GridSearchCV(estimator=grid_model,
　　param_grid=parameters,
　　cv=2)

　　如果你想為你的模型做更多的超參數(shù)調(diào)整，也可以添加更多的層。但是如果數(shù)據(jù)集非常大建議增加LSTM模型中的時(shí)期和單位。

　　在第一個(gè)LSTM層中看到輸入形狀為(30,5)。它來(lái)自trainX形狀。

　　(trainX.shape[1],trainX.shape[2])→(30,5)

　　現(xiàn)在讓我們將模型擬合到trainX和trainY數(shù)據(jù)中。

　　grid_search=grid_search.fit(trainX,trainY)

　　由于進(jìn)行了超參數(shù)搜索，所以這將需要一些時(shí)間來(lái)運(yùn)行。

　　你可以看到損失會(huì)像這樣減少：

　　現(xiàn)在讓我們檢查模型的最佳參數(shù)。

　　grid_search.best_params_
　　{‘batch_size':20,‘epochs':10,‘optimizer':‘a(chǎn)dam'}

　　將最佳模型保存在my_model變量中。

　　my_model=grid_search.best_estimator_.model

　　現(xiàn)在可以用測(cè)試數(shù)據(jù)集測(cè)試模型。

　　prediction=my_model.predict(testX)
　　print("predictionn",prediction)
　　print("nPrediction Shape-",prediction.shape)

　　testY和prediction的長(zhǎng)度是一樣的。現(xiàn)在可以將testY與預(yù)測(cè)進(jìn)行比較。

　　但是我們一開(kāi)始就對(duì)數(shù)據(jù)進(jìn)行了縮放，所以首先我們必須做一些逆縮放過(guò)程。

　　scaler.inverse_transform(prediction)

　　報(bào)錯(cuò)了，這是因?yàn)樵诳s放數(shù)據(jù)時(shí)，我們每行有5列，現(xiàn)在我們只有1列是目標(biāo)列。

　　所以我們必須改變形狀來(lái)使用inverse_transform：

　　prediction_copies_array=np.repeat(prediction,5,axis=-1)

　　5列值是相似的，它只是將單個(gè)預(yù)測(cè)列復(fù)制了4次。所以現(xiàn)在我們有5列相同的值。

　　prediction_copies_array.shape
　　(1011,5)

　　這樣就可以使用inverse_transform函數(shù)。

　　pred=scaler.inverse_transform(np.reshape(prediction_copies_array,(len(prediction),5)))[:,0]

　　現(xiàn)在讓我們看一下預(yù)測(cè)值和原始值：

　　print("Pred Values--",pred)
　　print("nOriginal Values--",original)

　　最后繪制一個(gè)圖來(lái)對(duì)比我們的pred和原始數(shù)據(jù)。

　　plt.plot(original,color='red',label='Real Stock Price')
　　plt.plot(pred,color='blue',label='Predicted Stock Price')
　　plt.title('Stock Price Prediction')
　　plt.xlabel('Time')
　　plt.ylabel('Google Stock Price')
　　plt.legend()
　　plt.show()

　　看樣子還不錯(cuò)，到目前為止，我們訓(xùn)練了模型并用測(cè)試值檢查了該模型。現(xiàn)在讓我們預(yù)測(cè)一些未來(lái)值。

　　從主df數(shù)據(jù)集中獲取我們?cè)陂_(kāi)始時(shí)加載的最后30個(gè)值[為什么是30？因?yàn)檫@是我們想要的過(guò)去值的數(shù)量，來(lái)預(yù)測(cè)第31個(gè)值]

　　df_30_days_past=df.iloc[-30:,:]
　　df_30_days_past.tail()

　　可以看到有包括目標(biāo)列（“Open”）在內(nèi)的所有列。現(xiàn)在讓我們預(yù)測(cè)未來(lái)的30個(gè)值。

　　在多元時(shí)間序列預(yù)測(cè)中，需要通過(guò)使用不同的特征來(lái)預(yù)測(cè)單列，所以在進(jìn)行預(yù)測(cè)時(shí)我們需要使用特征值（目標(biāo)列除外）來(lái)進(jìn)行即將到來(lái)的預(yù)測(cè)。

　　這里我們需要“High”、“Low”、“Close”、“Adj Close”列的即將到來(lái)的30個(gè)值來(lái)對(duì)“Open”列進(jìn)行預(yù)測(cè)。

　　df_30_days_future=pd.read_csv("test.csv",parse_dates=["Date"],index_col=[0])
　　df_30_days_future

　　剔除“Open”列后，使用模型進(jìn)行預(yù)測(cè)之前還需要做以下的操作：

　　縮放數(shù)據(jù)，因?yàn)閯h除了‘Open’列，在縮放它之前，添加一個(gè)所有值都為“0”的Open列。

　　縮放后，將未來(lái)數(shù)據(jù)中的“Open”列值替換為“nan”

　　現(xiàn)在附加30天舊值和30天新值（其中最后30個(gè)“打開(kāi)”值是nan）

　　df_30_days_future["Open"]=0
　　df_30_days_future=df_30_days_future[["Open","High","Low","Close","Adj Close"]]
　　old_scaled_array=scaler.transform(df_30_days_past)
　　new_scaled_array=scaler.transform(df_30_days_future)
　　new_scaled_df=pd.DataFrame(new_scaled_array)
　　new_scaled_df.iloc[:,0]=np.nan
　　full_df=pd.concat([pd.DataFrame(old_scaled_array),new_scaled_df]).reset_index().drop(["index"],axis=1)
　　full_df形狀是(60,5)，最后第一列有30個(gè)nan值。

　　要進(jìn)行預(yù)測(cè)必須再次使用for循環(huán)，我們?cè)诓鸱謙rainX和trainY中的數(shù)據(jù)時(shí)所做的。但是這次我們只有X，沒(méi)有Y值。

　　full_df_scaled_array=full_df.values
　　all_data=[]
　　time_step=30
　　for i in range(time_step,len(full_df_scaled_array)):
　　data_x=[]
　　data_x.append(
　　full_df_scaled_array[i-time_step:i,0:full_df_scaled_array.shape[1]])
　　data_x=np.array(data_x)
　　prediction=my_model.predict(data_x)
　　all_data.append(prediction)
　　full_df.iloc[i,0]=prediction

　　對(duì)于第一個(gè)預(yù)測(cè)，有之前的30個(gè)值，當(dāng)for循環(huán)第一次運(yùn)行時(shí)它會(huì)檢查前30個(gè)值并預(yù)測(cè)第31個(gè)“Open”數(shù)據(jù)。

　　當(dāng)?shù)诙€(gè)for循環(huán)將嘗試運(yùn)行時(shí)，它將跳過(guò)第一行并嘗試獲取下30個(gè)值[1:31]。這里會(huì)報(bào)錯(cuò)錯(cuò)誤因?yàn)镺pen列最后一行是“nan”，所以需要每次都用預(yù)測(cè)替換“nan”。

　　最后還需要對(duì)預(yù)測(cè)進(jìn)行逆變換：

　　new_array=np.array(all_data)
　　new_array=new_array.reshape(-1,1)
　　prediction_copies_array=np.repeat(new_array,5,axis=-1)
　　y_pred_future_30_days=scaler.inverse_transform(np.reshape(prediction_copies_array,(len(new_array),5)))[:,0]
　　print(y_pred_future_30_days)

　　綜上所述，這篇文章就給大家介紹到這里了，希望可以給大家?guī)?lái)幫助。