Python时间序列LSTM预测系列教程（3）-单变量

单变量LSTM预测模型（3）

教程原文连接

LSTM 建模

LSTM基础

Keras 中 LSTM 的层维护一个 batch 的状态

一个 batch = 来自训练数据的确定个数的 rows , 他确定了在更新整个网络权重前需要处理的 pattern 的个数

默认的，batchs 间的状态会清空，通过调用 reset_states() 可以控制什么时候清除 LSTM 层状态

LSTM 层输入格式：

为矩阵，矩阵内容 [ samples, time steps, features ]

samples：来自 domain 的独立观测值，通常是 data 的行数据--就是行数

time steps：对于给定的观测值，给定变量有单独的时间步--就是时间窗口

features：在得到观测值的时刻，观测到的单独的 measures--就是列数(属性个数)

建模步骤

1、数据reshape为LSTM输入格式

X, y = train[:, 0:-1], train[:, -1]X = X.reshape(X.shape[0], 1, X.shape[1])

2、LSTM层定义

layer = LSTM(neurons, batch_input_shape=(batch_size, X.shape[1], X.shape[2]), stateful=True)

batch_input_shape=表示每个batch需要读取的数据格式（batch_size=每batch读的数据行数，步长，属性数）

neurons=神经元个数，即记忆单元个数，1~5 就很高效了

batch通常和epoch一起

epochs：确定网络学习数据快慢，即权重的更新频率

3、输出定义

输出层是单一的神经元，用的线性激活函数来预测下一时间步的数据

4、度量与优化定义

损失函数=用MSE

优化算法=用ADAM

5、编译

model = Sequential()model.add(LSTM(neurons, batch_input_shape=(batch_size, X.shape[1], X.shape[2]), stateful=True))model.add(Dense(1))model.compile(loss='mean_squared_error', optimizer='adam')

由于LSTM是有状态的，需要在每个epoch里面控制状态更新

默认的

（1）在每个epoch里的sample会被打乱，可以设置shuffle=False解决

（2）网络会输出debug信息，可以设置verbose=0解决

LSTM预测

两种训练/预测方式

（1）固定方式：将所有训练数据fit到模型，然后从测试数据，每次预测一个

（2）动态方式：在测试数据阶段，每次都会re-fit模型或更新模型