全文下载链接：http://tecdat.cn?p=26519

最近我们被客户要求撰写关于LSTM的研究报告，包括一些图形和统计输出。

一个简单的编码器-解码器LSTM神经网络应用于时间序列预测问题：预测天然气价格，预测范围为 10 天。“进入”时间步长也设置为 10 天。) 只需要 10 天来推断接下来的 10 天。可以使用 10 天的历史数据集以在线学习的方式重新训练网络 （ 点击文末“阅读原文”获取完整代码数据******** ） 。

数据集是天然气价格 （ 查看文末了解数据获取方式 ） ，具有以下特征：

• 日期（从 1997 年到 2020 年）- 为 每天数据

• 以元计的天然气价格

相关视频：LSTM神经网络架构和工作原理及其在Python中的预测应用

**

拓端数据部落

，赞9

读取数据并将日期作为索引处理

# 固定日期时间并设置为索引dftet.index = pd.DatetimeIndex# 用NaN来填补缺失的日期（以后再补）dargt = f_arget.reindex(ales, fill_value=np.nan)# 检查print(d_tret.dtypes)df_aget.head(10)

处理缺失的日期

# 数据归纳（使用 "向前填充"--根据之前的值进行填充）。dfaet.fillna(method='ffill', inplace=True)

特征工程

因为我们正在使用深度学习，所以特征工程将是最小的。

• One-hot 编码“is_weekend”和星期几

• 添加行的最小值和最大值（可选）

通过设置固定的上限（例如 30 倍中位数）修复异常高的值

# 在df_agg中修复任何非常高的值 - 归一化为中值for col in co_to_fi_ies:    dgt[col] = fixnaes(dftget[col])

添加滞后

# 增加每周的滞后性df_tret = addag(d_aget, tare_arble='Price', step_ak=7)# 增加30天的滞后性df_get = ad_ag(df_ret, tagt_able='Price', sep_bck=30)

# 合并后删除任何有NA值的列d_gt.dropna(inplace=True)print(dfget.shape)tie_nx = df_art.index

归一化

• 归一化或最小-最大尺度（需要减小较宽的数值范围，以便 LSTM 收敛）。

# 标准化训练数据[0, 1]sclr = prcsing.Maxcaer((0,1))

准备训练数据集

• 时间步数 = 1

• 时间步数 = nsteout小时数（预测范围）

在这里，我们将数据集从 [samples, features] 转换为 [samples, steps, features] - 与算法 LSTM 一起使用的维度。下面的序列拆分使用“walk-forward”方法来创建训练数据集。

# 多变量多步骤编码器-解码器 lstm 示例# 选择一个时间步骤的数量# 维度变成[样本数、步骤、特征]X, y = splices(datasformed, n_ep_in, n_ep_out)# 分成训练/测试et_ut = int(0.05*X.shpe[0]) X_tain, X_est, ytrain, y_tst = X[:-tetaont], X[-tes_ont:], y[:-tstmunt], y[-es_unt:]

训练模型

这利用了长期短期记忆算法。

# 实例化和训练模型printmodel = cre_odel(n_tps_in, n_tep_out, n_feures, lerig_rate=0.0001)

探索预测

%%time#加载特定的模型model = lod_id_del(                           n_stepin,                            n_sep_out,                            X_tan.shape[2])

# 展示对一个样本的预测testle_ix = 0yat = mdel.predict(X_tet[est_amle_ix].reshape((1,n_sep_in, nfatues)),erbose=Tue)

# 计算这一个测试样本的均方根误差rmse = math.sqrt

plot_result(yhat[0], scaler, saved_columns)

点击标题查阅往期内容

Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析

左右滑动查看更多

01

02

03

04

平均 RMSE

# 收集所有的测试RMSE值rmesores = []for i in range:    yhat = oel.predict(Xtet[i].reshape((1, _stes_in, _faues)), verbose=False)    # 计算这一个测试样本的均方根误差    rmse = math.sqrt(mensqaerror(yhat[0], y_test[i]))

训练整个数据集

#在所有数据上实例化和训练模型modl_l = cret_mel(nsep_in, steps_ou, n_etures,learnnrate=0.0001)mde_all, ru_ime, weighfie = trin(md_all, X, y, batcsie=16, neohs=15)

样本内预测

注意：模型已经“看到”或训练了这些样本，但我们希望确保它与预测一致。如果它做得不好，模型可能会欠拟合或过拟合。要尝试的事情：

• 增加或减少批量大小

• 增加或减少学习率

• 更改网络中 LSTM 的隐藏层数

# 获得10个步da_cent = dfret.iloc[-(ntes_in*2):-nsps_in]# 标准化dta_ectormed = sclr.rasfrm(daareent)# 维度变成[样本数、步骤、特征]n_res = dtcentorm.shape[1]X_st = data_recn_trsrd.reshape((1, n_tps_n, n_feares))# 预测foecst = mlll.predict(X_past)# 扩大规模并转换为DFforcast = forast.resape(n_eaturs))foect = saer.inese_transform(forecast)fuure_dtes  df_targe.ide[-n_steps_out:] # 绘图histrcl = d_aet.ioc[-100:, :1] # 获得历史数据的X步回溯for i in ane(oisae[1]):    fig = plt.igre(fgze=(10,5))        # 绘制df_agg历史数据    plt.plot(.iloc[:,i]        # 绘制预测图    plt.plot(frc.iloc[:,i])    # 标签和图例    plt.xlabel

预测样本外

# 获取最后10步dtareent = dfargt.iloc[-nstpsin:]。# 标准化dta_ecntranfomed = scaler.trasorm(data_recent)# 预测forct = meall.rict(_past)# 扩大规模并转换为DFforeast = foecs.eshape(_seps_ut, n_eatures))foreast = sclerinvers_tranorm(focast)futur_daes = pd.daternge(df_argetinex[-1], priods=step_out, freq='D')# 绘图htrical = df_taet.iloc[-100:, :1] # 获得历史数据的X步回溯# 绘制预测图    plt.plot(fectoc[:,i])

点击文末 “阅读原文”

获取全文完整资料。

本文选自《PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子》。

点击标题查阅往期内容

Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户流失模型
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类

全文下载链接：http://tecdat.cn?p=26519

最近我们被客户要求撰写关于LSTM的研究报告，包括一些图形和统计输出。

一个简单的编码器-解码器LSTM神经网络应用于时间序列预测问题：预测天然气价格，预测范围为 10 天。“进入”时间步长也设置为 10 天。) 只需要 10 天来推断接下来的 10 天。可以使用 10 天的历史数据集以在线学习的方式重新训练网络 （ 点击文末“阅读原文”获取完整代码数据******** ） 。

数据集是天然气价格 （ 查看文末了解数据获取方式 ） ，具有以下特征：

• 日期（从 1997 年到 2020 年）- 为 每天数据

• 以元计的天然气价格

相关视频：LSTM神经网络架构和工作原理及其在Python中的预测应用

**

拓端数据部落

，赞9

读取数据并将日期作为索引处理

# 固定日期时间并设置为索引dftet.index = pd.DatetimeIndex# 用NaN来填补缺失的日期（以后再补）dargt = f_arget.reindex(ales, fill_value=np.nan)# 检查print(d_tret.dtypes)df_aget.head(10)

处理缺失的日期

# 数据归纳（使用 "向前填充"--根据之前的值进行填充）。dfaet.fillna(method='ffill', inplace=True)

特征工程

因为我们正在使用深度学习，所以特征工程将是最小的。

• One-hot 编码“is_weekend”和星期几

• 添加行的最小值和最大值（可选）

通过设置固定的上限（例如 30 倍中位数）修复异常高的值

# 在df_agg中修复任何非常高的值 - 归一化为中值for col in co_to_fi_ies:    dgt[col] = fixnaes(dftget[col])

添加滞后

# 增加每周的滞后性df_tret = addag(d_aget, tare_arble='Price', step_ak=7)# 增加30天的滞后性df_get = ad_ag(df_ret, tagt_able='Price', sep_bck=30)

# 合并后删除任何有NA值的列d_gt.dropna(inplace=True)print(dfget.shape)tie_nx = df_art.index

归一化

• 归一化或最小-最大尺度（需要减小较宽的数值范围，以便 LSTM 收敛）。

# 标准化训练数据[0, 1]sclr = prcsing.Maxcaer((0,1))

准备训练数据集

• 时间步数 = 1

• 时间步数 = nsteout小时数（预测范围）

在这里，我们将数据集从 [samples, features] 转换为 [samples, steps, features] - 与算法 LSTM 一起使用的维度。下面的序列拆分使用“walk-forward”方法来创建训练数据集。

# 多变量多步骤编码器-解码器 lstm 示例# 选择一个时间步骤的数量# 维度变成[样本数、步骤、特征]X, y = splices(datasformed, n_ep_in, n_ep_out)# 分成训练/测试et_ut = int(0.05*X.shpe[0]) X_tain, X_est, ytrain, y_tst = X[:-tetaont], X[-tes_ont:], y[:-tstmunt], y[-es_unt:]

训练模型

这利用了长期短期记忆算法。

# 实例化和训练模型printmodel = cre_odel(n_tps_in, n_tep_out, n_feures, lerig_rate=0.0001)

探索预测

%%time#加载特定的模型model = lod_id_del(                           n_stepin,                            n_sep_out,                            X_tan.shape[2])

# 展示对一个样本的预测testle_ix = 0yat = mdel.predict(X_tet[est_amle_ix].reshape((1,n_sep_in, nfatues)),erbose=Tue)

# 计算这一个测试样本的均方根误差rmse = math.sqrt

plot_result(yhat[0], scaler, saved_columns)

点击标题查阅往期内容

Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析

左右滑动查看更多

01

02

03

04

平均 RMSE

# 收集所有的测试RMSE值rmesores = []for i in range:    yhat = oel.predict(Xtet[i].reshape((1, _stes_in, _faues)), verbose=False)    # 计算这一个测试样本的均方根误差    rmse = math.sqrt(mensqaerror(yhat[0], y_test[i]))

训练整个数据集

#在所有数据上实例化和训练模型modl_l = cret_mel(nsep_in, steps_ou, n_etures,learnnrate=0.0001)mde_all, ru_ime, weighfie = trin(md_all, X, y, batcsie=16, neohs=15)

样本内预测

注意：模型已经“看到”或训练了这些样本，但我们希望确保它与预测一致。如果它做得不好，模型可能会欠拟合或过拟合。要尝试的事情：

• 增加或减少批量大小

• 增加或减少学习率

• 更改网络中 LSTM 的隐藏层数

# 获得10个步da_cent = dfret.iloc[-(ntes_in*2):-nsps_in]# 标准化dta_ectormed = sclr.rasfrm(daareent)# 维度变成[样本数、步骤、特征]n_res = dtcentorm.shape[1]X_st = data_recn_trsrd.reshape((1, n_tps_n, n_feares))# 预测foecst = mlll.predict(X_past)# 扩大规模并转换为DFforcast = forast.resape(n_eaturs))foect = saer.inese_transform(forecast)fuure_dtes  df_targe.ide[-n_steps_out:] # 绘图histrcl = d_aet.ioc[-100:, :1] # 获得历史数据的X步回溯for i in ane(oisae[1]):    fig = plt.igre(fgze=(10,5))        # 绘制df_agg历史数据    plt.plot(.iloc[:,i]        # 绘制预测图    plt.plot(frc.iloc[:,i])    # 标签和图例    plt.xlabel

预测样本外

# 获取最后10步dtareent = dfargt.iloc[-nstpsin:]。# 标准化dta_ecntranfomed = scaler.trasorm(data_recent)# 预测forct = meall.rict(_past)# 扩大规模并转换为DFforeast = foecs.eshape(_seps_ut, n_eatures))foreast = sclerinvers_tranorm(focast)futur_daes = pd.daternge(df_argetinex[-1], priods=step_out, freq='D')# 绘图htrical = df_taet.iloc[-100:, :1] # 获得历史数据的X步回溯# 绘制预测图    plt.plot(fectoc[:,i])

点击文末 “阅读原文”

获取全文完整资料。

本文选自《PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子》。

点击标题查阅往期内容

Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户流失模型
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类