基于paddle飞浆深度学习框架的LSTM时序数据预测demo

轲chan

已于 2024-05-31 14:23:59 修改

阅读量778

点赞数 9

分类专栏：机器学习文章标签：深度学习 paddle lstm python

于 2024-05-17 16:35:26 首次发布

本文链接：https://blog.csdn.net/NCEPUautomation/article/details/139002385

版权

机器学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

前言

学习pytorch英文文档看得头大，想尝试一下国内的深度学习框架，毕竟官方文档都是中文，于是找到了这个paddle飞浆框架。遗憾的是关于时序数据预测这块官方示例里说明比较少，把代码抄过来不知道怎么结合自己的需求修改，网上去找时序数据预测的例子，感觉很多帖子都有些谜语人，说话说一半，看完还是不知道把他们的例子搬过来以后怎么修改。经过各种折腾自己的demo终于跑通了，把代码和自己的理解写下来，希望能给各位同样卡在代码理解上的同学一些帮助。初学者一枚，可能会出现理解错误的地方，请各位路过的大佬多多批评指正。

时序数据预测模型

现实生活中有很多时序数据预测的需求，比如风速预测、温度预测、功率预测等等等等。以构建一个风速预测模型为例，要用过去五小时的风速预测未来一小时的风速，为此采集了连续一年的风速数据，然后划分为多组样本数据，每个样本把历史五小时风速作为模型输入，未来一小时风速作为模型输出（需要注意，假设每隔10分钟有一条风速数据，那这里的划分不应该是第一个样本0:00-5:00风速预测5:00-6:00风速，第二个样本6:00-11:00风速预测11:00-12:00风速，而应该是第一个样本0:00-5:00风速预测5:00-6:00风速，第二个样本0:10-5:10风速预测5:10-6:10风速），通过算法找到预测最准确的模型。
还需要补充一点，我们以要预测的物理量本身作为输出，这一点是确定的，但是输入可以增加一些过去五小时与风速相关的其他物理量，这样这个模型就不单单体现风速本身的因果关系，还有其他物理量对风速的影响，会提高预测的准确度。

参数说明

下面是一些我程序中涉及到的关键参数（为方便理解，部分参数名字和paddle官方API中的形参，或者约定俗成的名称是一致的）：

split_ratio：训练/测试数据占比
seq_len：前面提到的模型中，历史数据的长度
predict_len：前面提到的模型中，预测数据的长度（其实这里长度我觉得用“步数”更准确，比如前面提到的五小时风速预测未来一小时风速，而风速数据10分钟一条，那么seq_len = 5➗(10➗60) = 30，predict_len = 1➗(10➗60) = 6）
hidden_size：LSTM隐层神经元的个数
num_layers：LSTM隐层层数，神经元个数的增加和层数增加，都会使神经网络挖掘输入输出复杂映射关系的能力增加，但是会增大计算量，并且表示复杂的映射关系前提是训练足够充分
epoch_num：训练代数——所有样本全部在模型中训练一遍才算一轮epoch
batch_size：一批样本数——神经网络训练不是每一组样本依次送入神经网络，也不是一次把一批送入，而是每次送入batch_size这么多，直到所有样本训练完，epoch+1
learning_rate：学习率，影响训练的精度，根据训练效果更改

程序说明（基于LSTM进行温度预测）

使用paddle官方文档中提到的Jena Climate时间序列数据集(单击这里下载)，数据集每列的说明：

索引	特征	描述
1	Date Time	Date-time reference
2	p (mbar)	The pascal SI derived unit of pressure used to quantify internal pressure. Meteorological reports typically state atmospheric pressure in millibars.
3	T (degC)	Temperature in Celsius
4	Tpot (K)	Temperature in Kelvin
5	Tdew (degC)	Temperature in Celsius relative to humidity. Dew Point is a measure of the absolute amount of water in the air, the DP is the temperature at which the air cannot hold all the moisture in it and water condenses.
6	rh (%)	Relative Humidity is a measure of how saturated the air is with water vapor, the %RH determines the amount of water contained within collection objects.
7	VPmax (mbar)	Saturation vapor pressure
8	VPact (mbar)	Vapor pressure
9	VPdef (mbar)	Vapor pressure deficit
10	sh (g/kg)	Specific humidity
11	H2OC (mmol/mol)	Water vapor concentration
12	rho (g/m ** 3)	Airtight
13	wv (m/s)	Wind speed
14	max. wv (m/s)	Maximum wind speed
15	wd (deg)	Wind direction in degrees

参数设置

设置需要用到的参数：

split_ratio = 0.7       # 训练/测试百分比，这里0.7表示全部数据中70%用作训练
seq_len = 30            # 取seq_len步序的值作为历史数据
predict_len = 6         # 预测predict_len步序
hidden_size = 128       # LSTM隐层神经元个数
num_layers = 1          # LSTM隐层层数
epoch_num = 10          # 训练代数
batch_size = 128        # 单次训练中一次喂给网络的数据包大小
learning_rate = 0.005   # 学习率
select_out_column = 1   # 预测的值在第几列（python的行列从0开始）

因为csv文件中既有要预测的值本身，又有相关联的其他变量，这里特别定义一个变量select_out_column来方便理解代码，代码中遇到select_out_column我们就知道是要对预测值相关的数据，也就是第select_out_column列进行操作了。因为先看过csv文件内容，我已经知道了温度值是在python中的第1列（python里计数是从0开始的，我们日常习惯上从一开始，所以通常说的第一列python里叫第0列。原始csv文件去掉时间那一列后，温度在第二列，python里叫第1列）。

读取数据及数据预处理

把下载好的csv文件放入python脚本文件相同路径下，读取文件并进行去重、归一化、数据分割等预处理操作。
DataFrame这种数据类型可以很方便的取出其中指定行/指定列的数据，数据分割很方便，而且可以附加一个index作为索引，如果不需要的话可以不添加index。使用pd.read_csv()返回的就是DataFrame类型，DataFrame的.value成员返回的是numpy矩阵，进行矩阵运算更方便，矩阵运算完再转换为DataFrame方便进行数据分割，结合使用可以利用两者各自的优点。

import paddle
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import warnings
warnings.filterwarnings("ignore")
""" 读取数据及数据预处理 """
csv_path = "jena_climate_2009_2016.csv"             # csv文件名
date_time_key = "Date Time"                         # 时间这一列的列名，方便DataFrame通过列名索引取数据
df = pd.read_csv(csv_path)                          # 读取csv文件，返回的是DataFrame类型
split_index = int(split_ratio * int(df.shape[0]))   # 分开前后多少行
df_data = df.iloc[:, 1:]                            # 去掉第0列时间后剩下数据
df_data.index = df[date_time_key]                   # 使用时间这一列作为索引
df_data.drop_duplicates(keep='first', inplace=True) # 去除原始数据的重复项
def normalize(data):
    data_mean = data.mean(axis=0)
    data_std = data.std(axis=0)
    npdata = (data - data_mean) / data_std
    np2df = pd.DataFrame(npdata)
    return np2df, data_mean, data_std
df_data, data_mean, data_std = normalize(df_data.values)# 数据归一化
train_df_data = df_data.loc[0: split_index - 1]     # 分割出训练数据
test_df_data = df_data.loc[split_index:]            # 分割出测试数据
train_np_data = train_df_data.values                # 将DataFrame转为ndarray类型
test_np_data = test_df_data.values                  # 将DataFrame转为ndarray类型

组装样本，实例化数据集

上面只是把原始数据分割出来了训练和预测部分，下面就要组装样本了。按照前面的参数设置，要用30步的所有特征历史数据历史预测未来6步的温度，也就是提供给神经网络的一条样本，输入为30*14（除去时间，有14个特征，包括温度自身历史数据），输出为6（未来6步的温度），可能有人会想到用numpy矩阵保存组装好的样本，可惜paddle没法传入numpy矩阵训练，必须传入Dataset类型，下面自己建的类MyDataset就完成了分割出的训练数据/预测数据组装为训练神经网络用的dataset样本过程。
MyDataset继承自Dataset类，在初始化中对传入的数据进行组装，组装成了训练要用的样本，并且MyDataset要实现返回单条数据的__getitem__和返回长度的__len__方法。从这里也能看出来paddle为什么不能用numpy矩阵训练，因为paddle需要调用获取单条数据和数据长度的两个方法。
提醒一下，这里是面向对象的写法，class MyDataset缩进里的内容只是这个类的实现，使用这个类一定要将类实例化形成对象，train_dataset和test_dataset就是将类实例化出的两个对象，在初始化时传入了不同参数。

class MyDataset(paddle.io.Dataset): # 继承paddle.io.Dataset类
    def __init__(self, np_data, seq_len, predict_len, select_out_column):
        # 实现 __init__ 函数，初始化数据集，构建输入特征和标签
        super(MyDataset, self).__init__()
        self.seq_len = seq_len
        self.predict_len = predict_len
        self.select_out_column = select_out_column
        self.feature = paddle.to_tensor(self.transform_feature(np_data), dtype='float32')   # 构建输入特征
        self.label = paddle.to_tensor(self.transform_label(np_data), dtype='float32')       # 构建标签

    def transform_feature(self, np_data):   # 构建输入特征的函数
        output = []
        for i in range(len(np_data) - self.seq_len - self.predict_len):
            output.append(np_data[i: (i + self.seq_len)])
        return np.array(output)

    def transform_label(self, np_data):     # 构建标签的函数
        output_ = []
        for i in range(len(np_data) - self.seq_len - self.predict_len):
            output_.append(np_data[(i + self.seq_len):(i + self.seq_len + self.predict_len), self.select_out_column])
        return np.array(output_)

    def __getitem__(self, index):
        # 实现__getitem__函数，传入index时要返回单条数据（输入特征和对应标签）
        one_feature = self.feature[index]
        one_label = self.label[index]
        return one_feature, one_label

    def __len__(self):
        # 实现__len__方法，返回数据集总数目
        return len(self.feature)
train_dataset = MyDataset(train_np_data, seq_len, predict_len, select_out_column)   # 根据训练数据构造dataset
test_dataset = MyDataset(test_np_data, seq_len, predict_len, select_out_column)     # 根据测试数据构造dataset
input_size = train_np_data.shape[1]     # data有几列就有几个输入，也就是神经网络的输入个数

设计LSTM网络

要设计自己的LSTM网络，需要新建一个类，从nn.Layer继承，然后在类初始化中生成每一层网络的结构，这里设计的结构非常简单，样本输入经过LSTM层后再经过一个线性层映射到输出标签。在__init__中只是体现了网络结构，从输入到输出的计算过程要在forward方法中实现。自己新建的类要继承自nn.Layer，__init__要定义网络结构，名字叫forward的方法实现前向计算过程，这些都是必须要遵守的。
paddle提供了大量的神经网络层相关函数，通过调用paddle.nn中的函数，我们就可以创建需要的单层神经网络结构，然后在forward中把它们串联起来，就形成了自己定义的神经网络。
LSTM层调用paddle.nn.LSTM函数，需要提供input_size，hidden_size，num_layers的值，hidden_size和num_layers就是一开始设置的LSTM神经元个数和LSTM层数，因为输入一开始就进入到LSTM层运算，所以input_size和我模型输入的特征数相等，也就是有些人写的程序中feature_num或者叫fea_num，和这里input_size相等。time_major这个参数可以选True和False，它影响的是输入的形状和输出的形状，官方说明中False表示输入形状为[batch_size,time_steps,input_size]，第一维度为batch_size，和我的参数含义相同，第二维度time_steps对应的是我参数中的seq_len，也就是输入模型的历史数据用了多少步，第三维度input_size就是输入的特征数，和我的参数含义相同。如果time_major为True那么输入形状为[time_steps,batch_size,input_size]，这个个人感觉就是习惯不同，可能有的人前一种形状看的舒服，有的人喜欢后一种形状，只要保证形状合规就可以，张量的维度交换也很简单。LSTM层的输出形状是[time_steps,batch_size,hidden_size]，含义前面都已经给出。
paddle.nn.Linear是线性层，要将LSTM层的输出映射到模型的输出，由于我预测predict_len步，所以Linear输出大小为predict_length。我只用了一些关键参数，还有一些参数使用了默认值，如果需要可以查阅官方文档修改其他参数。

class MyLSTMNet(paddle.nn.Layer):
    def __init__(self, input_size, hidden_size, num_layers, predict_len, batch_size):
        super().__init__()
        self.input_size = input_size    # 有多少个特征
        self.hidden_size = hidden_size  # LSTM隐层神经元个数
        self.num_layers = num_layers    # LSTM隐层层数
        self.predict_length = predict_len    # 单个输出，预测predict_length步
        self.batch_size = batch_size
        self.lstm1 = paddle.nn.LSTM(input_size=self.input_size,
                                    hidden_size=self.hidden_size,
                                    num_layers=self.num_layers,
                                    time_major=False)
        self.fc = paddle.nn.Linear(in_features=self.hidden_size, out_features=self.predict_length)

    def forward(self, x):
        x, (h, c) = self.lstm1(x)   # 输出应该是(batch_size, time_step,hidden_size)
        x = self.fc(x)              # 线性层，输出应该是(batch_size, time_step, predict_length)
        x = x[:, -1, :]             # 最后一个LSTM只要窗口中最后一个特征的输出(batch_size, predict_length)
        return x

封装及设置神经网络模型

按照paddle规定，在设计网络时新建的类不是直接实例化对象就能使用，需要进行封装，这里使用paddle的高阶API函数paddle.Model实现封装，所谓封装就是把MyLSTMNet作为参数传入paddle.Model，paddle.Model需要的参数前面都有说明，经过封装我们返回了一个"model"，这个model就可以传入数据集进行训练了，实例化优化器"opt"，并设置学习率，model.parameters()把模型参数传给优化器，model.prepare()设置模型训练用的损失函数。

""" 封装模型，设置模型 """
model = paddle.Model(MyLSTMNet(input_size, hidden_size, num_layers, predict_len, batch_size))   # 封装模型
opt = paddle.optimizer.Adam(learning_rate=learning_rate, parameters=model.parameters())         # 设置优化器
model.prepare(opt, paddle.nn.MSELoss(), paddle.metric.Accuracy())                               # 设置模型

开始训练

使用高阶API训练，第一个参数就是训练数据构成的dataset，然后设置训练代数，一批样本个数，save_freq是每训练多少代保存一次模型参数，save_dir是保存模型参数的路径，verbose必须为 0，1，2。当设定为0时，不打印日志，设定为1时，使用进度条的方式打印日志，设定为2时，一行一行地打印日志，这里的日志指的是训练的进度，以及目前的模型误差等信息，drop_last为真时会把一代训练中最后一批扔掉（如果最后一批样本数量小于batch_size的话），shuffle为真时会把样本打乱后再送入训练，由于我这里数据本身就是按顺序排列有时间规律的，所以选择了不打乱。

""" 开始训练 """
model.fit(train_dataset,
          epochs=epoch_num,
          batch_size=batch_size,
          save_freq=10,
          save_dir='lstm_checkpoint',
          verbose=1,
          drop_last=True,
          shuffle=False,
          )

加载测试数据进行预测

其实上面的模型训练完之后可以预测后面6步的温度值，但是方便观察我取了最后第6步的预测值与实际温度比较，把下面程序中的predict_len-1改为其他值就可以比较其他步的预测结果，之前归一化时保存的均值和方差这里反向计算，来把数据还原回归一化之前的值。

model.load('lstm_checkpoint/final')
test_result = model.predict(test_dataset)
test_result = test_result[0]
predict = []
for i in range(len(test_dataset.label)):
    one_line_test_result = test_result[i]
    result = one_line_test_result[0, predict_len-1]
    predict.append(result)
real = test_dataset.label.numpy()
real = real[:, predict_len-1]
predict = np.array(predict)
real = real*data_std[select_out_column]+data_mean[select_out_column]
predict = predict*data_std[select_out_column]+data_mean[select_out_column]
plt.plot(real, label='real')
plt.plot(predict, label='predict')
plt.legend()
plt.show()