时间序列预测——双向LSTM(Bi-LSTM)

置顶 已于 2022-03-19 14:19:13 修改
阅读量2.2w 收藏 371
点赞数 35
分类专栏： 人工智能 文章标签： 神经网络 人工智能 python lstm 深度学习
于 2021-04-12 16:07:45 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/a321123b/article/details/115626329
版权
  本文展示了使用双向LSTM(Bi-LSTM)进行时间序列预测的全过程，包含详细的注释。整个过程主要包括：数据导入、数据清洗、结构转化、建立Bi-LSTM模型、训练模型（包括动态调整学习率和earlystopping的设置）、预测、结果展示、误差评估等完整的时间序列预测流程。  本文使用的数据集在本人上传的资源中，链接为mock_kaggle.csv代码如下：import pandas as pdimport numpy as npimport mathimport kerasfrom ma
摘要由CSDN通过智能技术生成

  本文展示了使用双向LSTM(Bi-LSTM)进行时间序列预测的全过程，包含详细的注释。整个过程主要包括：数据导入、数据清洗、结构转化、建立Bi-LSTM模型、训练模型（包括动态调整学习率和earlystopping的设置）、预测、结果展示、误差评估等完整的时间序列预测流程。
  本文使用的数据集在本人上传的资源中，链接为mock_kaggle.csv

代码如下：

import pandas as pd
import numpy as np
import math
import keras
from matplotlib import pyplot as plt
from matplotlib.pylab import mpl
import tensorflow as tf
from sklearn.preprocessing import MinMaxScaler
from keras import backend as K
from keras.layers import LeakyReLU
from sklearn.metrics import mean_squared_error # 均方误差
from keras.callbacks import LearningRateScheduler
from keras.callbacks import EarlyStopping
from tensorflow.keras import Input, Model,Sequential
from keras.layers import Bidirectional#, Concatenate

mpl.rcParams['font.sans-serif'] = ['SimHei']   #显示中文
mpl.rcParams['axes.unicode_minus']=False       #显示负号

取数据

data=pd.read_csv('mock_kaggle.csv',encoding ='gbk',parse_dates=['datetime'])
Date=pd.to_datetime(data.datetime)
data['date'] = Date.map(lambda x: x.strftime('%Y-%m-%d'))
datanew=data.set_index(Date)
series = pd.Series(datanew['股票'].values, index=datanew['date'])

series

date
2014-01-01    4972
2014-01-02    4902
2014-01-03    4843
2014-01-04    4750
2014-01-05    4654
              ... 
2016-07-27    3179
2016-07-28    3071
2016-07-29    4095
2016-07-30    3825
2016-07-31    3642
Length: 937, dtype: int64

滞后扩充数据

dataframe1 = pd.DataFrame()
num_hour = 16
for i in range(num_hour,0,-1):
    dataframe1['t-'+str(i)] = series.shift(i)
dataframe1['t'] = series.values
dataframe3=dataframe1.dropna()
dataframe3.index=range(len(dataframe3))

dataframe3
t-16 t-15 t-14 t-13 t-12 t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1 t
0 4972.0 4902.0 4843.0 4750.0 4654.0 4509.0 4329.0 4104.0 4459.0 5043.0 5239.0 5118.0 4984.0 4904.0 4822.0 4728.0 4464
1 4902.0 4843.0 4750.0 4654.0 4509.0 4329.0 4104.0 4459.0 5043.0 5239.0 5118.0 4984.0 4904.0 4822.0 4728.0 4464.0 4265
2 4843.0 4750.0 4654.0 4509.0 4329.0 4104.0 4459.0 5043.0 5239.0 5118.0 4984.0 4904.0 4822.0 4728.0 4464.0 4265.0 4161
3 4750.0 4654.0 4509.0 4329.0 4104.0 4459.0 5043.0 5239.0 5118.0 4984.0 4904.0 4822.0 4728.0 4464.0 4265.0 4161.0 4091
4 4654.0 4509.0 4329.0 4104.0 4459.0 5043.0 5239.0 5118.0 4984.0 4904.0 4822.0 4728.0 4464.0 4265.0 4161.0 4091.0 3964
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
916 1939.0 1967.0 1670.0 1532.0 1343.0 1022.0 813.0 1420.0 1359.0 1075.0 1015.0 917.0 1550.0 1420.0 1358.0 2893.0 3179
917 1967.0 1670.0 1532.0 1343.0 1022.0 813.0 1420.0 1359.0 1075.0 1015.0 917.0 1550.0 1420.0 1358.0 2893.0 3179.0 3071
918 1670.0 1532.0 1343.0 1022.0 813.0 1420.0 1359.0 1075.0 1015.0 917.0 1550.0 1420.0 1358.0 2893.0 3179.0 3071.0 4095
919 1532.0 1343.0 1022.0 813.0 1420.0 1359.0 1075.0 1015.0 917.0 1550.0 1420.0 1358.0 2893.0 3179.0 3071.0 4095.0 3825
920 1343.0 1022.0 813.0 1420.0 1359.0 1075.0 1015.0 917.0 1550.0 1420.0 1358.0 2893.0 3179.0 3071.0 4095.0 3825.0 3642

921 rows × 17 columns

二折划分数据并标准化

pd.DataFrame(np.random.shuffle(dataframe3.values))  #shuffle
pot=len(dataframe3)-12
train
最低0.47元/天 解锁文章
行者无疆_ty
关注
  • 35
    点赞
  • 踩
  • 371
    收藏
    觉得还不错? 一键收藏
  • 27
    评论
专栏目录
双向 LSTM
aliceyangxi1987的博客
08-11 2万+
本文结构： 为什么用双向 LSTM 什么是双向 LSTM 例子 为什么用双向 LSTM？单向的 RNN，是根据前面的信息推出后面的，但有时候只看前面的词是不够的， 例如，我今天不舒服，我打算__一天。只根据‘不舒服‘，可能推出我打算‘去医院‘，‘睡觉‘，‘请假‘等等，但如果加上后面的‘一天‘，能选择的范围就变小了，‘去医院‘这种就不能选了，而‘请假‘‘休息‘之类的被选择概率就会更大。什么是双向 L
基于双向LSTM时间序列预测模型附python代码.zip
06-02
基于双向LSTM时间序列预测模型附python代码.zip
双向LSTM
热门推荐
sinat_22510827的博客
05-15 2万+
双向LSTM是传统LSTM的扩展，可以提高序列分类问题的模型性能。在输入序列的所有时间步长可用的问题中，双向LSTM在输入序列上训练两个而不是一个LSTM。输入序列中的第一个是原样的，第二个是输入序列的反转副本。这可以为网络提供额外的上下文，并导致更快，甚至更充分的学习问题。在本教程中，您将发现如何使用Keras深度学习库在Python中开发用于序列分类的双向LSTM。完成本教程后，您将知道：如何...
Bi-LSTM（双向长短期记忆网络）
最新发布
Hilda121的博客
06-06 334
Bi-LSTM（双向长短期记忆网络）是一种高级的递归神经网络（RNN），能够同时考虑输入序列的前后文信息，从而更全面地理解文本的语义。为了形象地解释Bi-LSTM模型，可以用一个日常生活中的例子来帮助理解。
LSTM与时间序列
weixin_42710615的博客
11-06 9352
利用LSTM进行时间序列预测 1. 从RNN说起 1.1. 什么是RNN 循环神经网络(Recurrent Neural network, RNN) 是一种用于处理序列数据的神经网络。相比与一般的神经网络，其很适合用于处理序列变化的数据。 1.2. RNN的基本结构 由于本质是处理序列数据（一般按时间顺序，也有可能按照文本顺序）。其基本结构如下： 这里： xxx为当前状态下数据的输入， hhh表示接收到的上一个节点的输入。 yyy为当前节点状态下的输出，h′h'h′而 传递到下一个节点的输出。 因此，
双向 LSTM（Bidirectional LSTM）与普通 LSTM 公式过程
xifenglie123321的博客
09-04 853
根据输入门和当前输入计算新的候选内存细胞状态： 候选c_t = tanh(W_xc * x_t + W_hc * h_{t-1} + b_c)输入门： i_t = sigmoid(W_xi * x_t + W_hi * h_{t-1} + b_i)遗忘门： f_t = sigmoid(W_xf * x_t + W_hf * h_{t-1} + b_f)输出门： o_t = sigmoid(W_xo * x_t + W_ho * h_{t-1} + b_o)隐藏状态：h_t 和 c_t。
BI-LSTM,BILSTM-CRF,Lattice-LSTM基本原理以及在NER中的应用
橙之之
11-22 5190
BI-LSTM,BILSTM-CRF,Lattice-LSTM基本原理以及在NER中的应用 连大赵露思 喜欢这篇文章可以关注公众号GoAI哟，都是感兴趣的在读研究生共同经营的，目前已收录计算机视觉和NLP的文章多篇 目录： ①BI-LSTM，BILSTM-CRF，Lattice-LSTM的基本原理 ②BI-LSTM，BILSTM-CRF，Lattice-LSTM在NER中的作用 BI-LSTM，BILSTM-CRF，Lattice-LSTM的基本原理 BI-LSTM： LSTM（long-short ter
LSTM之时间序列预测（初学+自学+教学）
qq_43521665的博客
03-18 2万+
初学LSTM时要解决的问题就是时间序列的预测。时间序列预测又分为多变量，单变量和多步预测 单变量预测：只有单变量进行预测，即只有时间的变化作为变量预测的标准。例如预测飞机乘客的实验 多变量预测：除了时间，还有其他变量作为输入一起预测。例如测试PM2.5的实验，除了时间，还有湿度等其他特征。 多步预测：即不止预测下一步数据，而是预测未来的几步数据，例如从1，预测3步→2，3，4 步骤 整理数据：（包括稳定性改造（多利用差分），归一化，数据变为有监督的数据等）。时间序列其实有很多特征，例如周期性，季节性，趋势
双层双向长短期记忆神经网络(bi-LSTM)的多输入时间序列回归预测——附代码
不定时分享电力优化、神经网络、数学建模等技术等
02-27 1511
为了充分挖掘电力负荷与多维特征因素的非线性关系，提高负荷预测精度，提出了一种基于随机森林和双向长短期记忆(Bi-LSTM)网络的超短期负荷预测方法。首先，采用滑动时间窗口的方式构建神经网络的输入数据，使其输入前几个时间点的负荷值以预测下一时间点的负荷值，提高网络的精度；其次，构建多层Bi-LSTM 网络，对时间窗口特征的负荷数据进行预测；最后，采用某市真实负荷数据进行仿真分析。结果表明，所提方法与传统预测方法相比，具有更高的预测精度，为精确预测具有多维特征因素的负荷提供参考。
LSTM对比BiLSTM电力负荷预测（Matlab完整程序和数据）
04-13
BiLSTM相比单向LSTM的优势在于它能捕捉到前后的上下文信息，这对于依赖于前后状态的任务，如语言理解或序列预测，尤其有用。在电力负荷预测中，BiLSTM可能会更好地理解过去的负荷模式如何影响未来的变化。 "data....
10-Bi-LSTM+CRF 实体识别.zip
08-23
这里采用的是一种深度学习模型——双向长短时记忆网络（Bi-LSTM）与条件随机场（CRF）相结合的方法。 **双向LSTM（Bi-LSTM）**： LSTM（Long Short-Term Memory）是一种特殊的循环神经网络（RNN），能够有效地处理...
使用双向 LSTM 网络的需求预测：使用双向长短期记忆 (biLSTM) 的需求预测-matlab开发
05-29
使用双向长短期记忆 (biLSTM) 进行需求预测这是一个回归问题。 在这个问题中，我们想根据过去记录中的 3 个因素来预测未来的需求。 您可以更改选择的数量（过去的记录数量）。 此外，您可以更改输入的数量。 例如，您也可以包括过去的需求，或删除一些输入。
【LSTM预测】基于双向长短时记忆BiLSTM（多输入单输出）数据预测含Matlab源码.zip
04-01
智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运行结果
基于融合对抗与注意力机制的Bi-LSTM网络在景区评论情感分析python-源码
10-02
本文将深入探讨如何利用Python编程语言，结合深度学习模型——双向长短时记忆网络（Bi-LSTM）以及对抗网络和注意力机制，进行景区评论的情感分析。 1. **Bi-LSTM网络**：Bi-LSTM是一种特殊的LSTM结构，它结合了正向...
基于Bert+BiLSTM+CRF的中文命名实体识别
05-21
本项目采用了一种先进的模型结构——BERT+BiLSTM+CRF，以提高中文命名实体识别的性能。 **BERT（Bidirectional Encoder Representations from Transformers）** 是谷歌推出的一种预训练语言模型，它通过Transformer...
在Python中使用LSTM和PyTorch进行时间序列预测
拓端研究室TRL
12-05 1208
顾名思义，时间序列数据是一种随时间变化的数据类型。例如，24小时内的温度，一个月内各种产品的价格，一年中特定公司的股票价格。去年，我们为一位客户进行了短暂的咨询工作，他正在构建一个主要基于时间序列预测的分析应用程序。诸如长期短期记忆网络（LSTM）之类的高级深度学习模型能够捕获时间序列数据中的模式，因此可用于对数据的未来趋势进行预测。在本文中，您将看到如何使用LSTM算法使用时间序列数据进行将来的预测。LSTM神经网络架构和原理及其在Python中的预测应用 让我们先导入所需的库，然后再导入数据集： 让
双向长短期记忆神经网络（Bi-LSTM）-多输入分类预测
不定时分享电力优化、神经网络、数学建模等技术等
12-24 496
本代码基于。
思考：如何对Bi-LSTM进行改进？
Jessi_Trans的博客
03-16 1018
小白求助大佬解惑 想尝试对Bi-LSTM进行改善，是否可以在此标准模型中，进行卷积运算操作？ 能否参考CONV-LSTM中的卷积运算来改善以上公式？
LSTM 航空乘客预测单步预测的两种情况
weixin_45063703的博客
08-16 7173
近期回顾LSTM 做时间序列数据预测，网上也有很多的教程，在跑这个程序时，遇到一些问题，特此记录分享一下。使用LSTM 进行单步预测和多步预测，LSTM 的输出格式要重新调整，简单演示，不调参数。这篇文章加入注意力机制的LSTM 对航空乘客预测，加了注意力机制的东西，有兴趣可以看看。外国学者写的文章，比较具体，有兴趣可以进去看看。我喜欢直接代码+ 结果展示先代码可以跑通，才值得深入研究每个部分之间的关系；进而改造成自己可用的数据。使用LSTM网络，数据要归一化处理， 格式要处理。
时间序列预测——LSTM模型（附代码实现）
09-12
时间序列预测是一种常见的问题，可以使用LSTM（长短期记忆）模型来解决。LSTM是一种循环神经网络（RNN），能够有效地捕捉时间序列中的长期依赖关系。 下面是一个使用Python和Keras库实现LSTM模型进行时间序列预测的示例代码： ```python import numpy as np import pandas as pd from keras.models import Sequential from keras.layers import LSTM, Dense # 读取时间序列数据 data = pd.read_csv('data.csv') # 替换为实际的数据文件路径 # 数据预处理 # 将数据拆分为训练集和测试集 train_data = data.iloc[:800] # 使用前800个数据作为训练集 test_data = data.iloc[800:] # 使用后面的数据作为测试集 # 构建特征和标签 def create_dataset(dataset, look_back): X, Y = [], [] for i in range(len(dataset) - look_back): X.append(dataset[i:i + look_back]) Y.append(dataset[i + look_back]) return np.array(X), np.array(Y) look_back = 10 # 定义用于预测的时间步长 train_X, train_Y = create_dataset(train_data, look_back) test_X, test_Y = create_dataset(test_data, look_back) # 构建LSTM模型 model = Sequential() model.add(LSTM(units=50, activation='relu', input_shape=(look_back, 1))) model.add(Dense(units=1)) model.compile(optimizer='adam', loss='mean_squared_error') # 训练模型 model.fit(train_X, train_Y, epochs=100, batch_size=32) # 预测 train_predict = model.predict(train_X) test_predict = model.predict(test_X) # 可视化结果 import matplotlib.pyplot as plt # 绘制训练集和测试集的实际值 plt.plot(np.arange(len(train_data)), train_data, 'b', label='actual') plt.plot(np.arange(len(train_data), len(train_data) + len(test_data)), test_data, 'g', label='actual') # 绘制训练集和测试集的预测值 plt.plot(np.arange(look_back, len(train_predict) + look_back), train_predict, 'r', label='predicted') plt.plot(np.arange(len(train_predict) + look_back, len(train_predict) + look_back + len(test_predict)), test_predict, 'y', label='predicted') plt.legend() plt.show() ``` 在上面的代码中，首先读取时间序列数据，然后将数据拆分为训练集和测试集。接下来，通过定义一个`create_dataset`函数将时间序列数据转换为特征和标签，其中特征是前`look_back`个时间步长的数据，标签是下一个时间步长的数据。然后，使用Keras库构建一个简单的LSTM模型，并编译模型。 训练模型时，使用训练集的特征和标签进行训练。训练完成后，使用训练集和测试集的特征进行预测，并将结果可视化。 请注意，上述代码仅为示例，实际使用时可能需要根据具体情况进行适当调整。
评论 27
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值