使用LSTM网络做预报(Forecast)

使用LSTM网络做预报(Forecast) 在一次小小的比赛中需要做趋势预测，当时找了很多种方法，最后也对LSTM的使用做出一定的研究，现在大多数能找到的都是Predict，对于Forecast的做法虽然找到了原理，但由于各种原因自己未能很好写出。最后是完成了，这里也做一个小小的记录。 LSTM 完全不想解释，因为只是调包侠，原理还不懂，调参都是手动调的，很离谱。 代码 导入基础模块，preprocessing用作数据归一化预处理 # 导入模块 import numpy as np import pandas as pd import matplotlib.pyplot as plt from 在本文中，我们将探讨如何使用LSTM（长短时记忆网络）进行时间序列预测，特别是针对一个小型比赛中的趋势预测任务。LSTM是一种递归神经网络（RNN）变体，特别适合处理序列数据，如时间序列预测问题。在这个场景中，我们需要预测未来某个时刻的数据值，基于历史数据。 我们导入必要的库，包括numpy、pandas和matplotlib用于数据处理和可视化，以及Keras库中的Sequential模型、Dense和LSTM层。此外，还使用了sklearn的preprocessing模块，用于数据预处理的StandardScaler和MinMaxScaler。 数据预处理是关键步骤。在这里，我们加载了一个包含Date、Confirmed和New三列的COVID-19疫情数据集，然后删除了Date和New列，仅保留Confirmed列作为一维数据。接着，我们将数据转换为float32类型，并使用MinMaxScaler进行归一化，确保所有数据在0和1之间。 接下来，我们划分训练集和测试集。通常，80%的数据用于训练，剩下的20%用于验证模型的性能。这里，我们使用了`train_size`和`Test_size`变量来实现这个划分。 LSTM的核心在于时间滑窗（time window）的概念。为了进行预测，我们需要创建一个数据集，其中每个样本包含一段连续的历史数据（即look_back），并对应一个目标值（下一个时间步的值）。`create_dataset`函数实现了这一过程，而`create_predict`函数用于生成用于预测的输入序列。look_back参数表示我们使用多少个前一个时间步的值来预测下一个时间步的值。在数据量较小的情况下，可以调整这个参数以优化模型性能。 在准备好训练和测试数据之后，我们需要对它们进行形状转换，以适应Keras的模型。Keras要求输入数据具有特定的维度，因此我们使用`np.reshape`将数据转换为适合LSTM输入的格式。 接下来，我们构建LSTM模型。在这里，我们创建一个Sequential模型，添加LSTM层和一个全连接层（Dense层）。LSTM层的input_shape参数应匹配预处理后的训练数据形状，即（样本数，时间步数，特征数）。然后，我们编译模型，选择合适的损失函数（如均方误差）和优化器（如Adam），并定义评估指标。 训练模型后，我们可以使用训练好的模型对测试集进行预测，评估模型的预测能力。通过反归一化将预测结果转换回原始尺度，以便于理解和解释。 使用LSTM进行时间序列预测涉及数据预处理、时间序列切片、模型构建、训练和预测。这种技术在多个领域都有应用，如股票市场预测、天气预报、电力需求预测等。尽管本文作者没有深入解释LSTM的工作原理，但展示了如何在实践中运用LSTM进行时间序列预测，这对于初学者来说是一个很好的起点。