LSMT

长短期记忆网络（LSTM，Long Short-Term Memory）

使用kears 搭建一个LSTM预测模型，使用2022年美国大学生数学建模大赛中C题中处理后的BTC比特币的数据进行数据训练和预测。

这篇博客包含两个预测，一种是使用前N天的数据预测后一天的数据，使用前N天的数据预测后N天的数据
使用前五十个数据进行预测后一天的数据。

总数据集：1826个数据

数据下载地址：需要的可以自行下载，很快

• 链接：https://pan.baidu.com/s/1TmQxLfzHiyOL3vEVcuWlgQ
• 提取码：wy0f

模型结构

Model: "sequential"_________________________________________________________________Layer (type)                 Output Shape              Param #   =================================================================lstm (LSTM)                  (None, 50, 64)            16896     _________________________________________________________________lstm_1 (LSTM)                (None, 50, 64)            33024     _________________________________________________________________lstm_2 (LSTM)                (None, 32)                12416     _________________________________________________________________dropout (Dropout)            (None, 32)                0         _________________________________________________________________dense (Dense)                (None, 1)                 33        =================================================================Total params: 62,369Trainable params: 62,369Non-trainable params: 0_________________________________________________________________

训练100次：

损失函数图像：

预测和真实值比较，可以看到效果并不是很好，这个需要自己调参进行变化

• 我的GPU加速时1650还挺快，7.5算力，训练时间可以接受
  

代码：

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom tensorflow import kerasfrom tensorflow.keras import layersfrom sklearn.preprocessing import MinMaxScaler# 数据处理部分# 读入数据data = pd.read_excel('BTCtest.xlsx')print(len(data))# 划分训练集与验证集data = data[['Value']]train = data[0:1277]valid = data[1278:1550]test = data[1551:]time_step = 50 # 输入序列长度# 归一化scaler = MinMaxScaler(feature_range=(0, 1))# datas 切片数据 time_step要输入的维度 pred 预测维度def scalerClass(datas,scaler,time_step,pred):    x, y = [], []    scaled_data = scaler.fit_transform(datas)    for i in range(time_step, len(datas) - pred):        x.append(scaled_data[i - time_step:i])        y.append(scaled_data[i: i + pred])    # 把x_train转变为array数组    x, y = np.array(x), np.array(y).reshape(-1, 1)  # reshape(-1,1)的意思时不知道分成多少行，但是是1列    return x,y# 训练集 验证集 测试集 切片x_train,y_train = scalerClass(train,scaler,time_step=time_step,pred=1)x_valid, y_valid = scalerClass(valid,scaler,time_step=time_step,pred=1)x_test, y_test = scalerClass(test,scaler,time_step=time_step,pred=1)# 建立神经网络模型model = keras.Sequential()model.add(layers.LSTM(64, return_sequences=True, input_shape=(x_train.shape[1:])))model.add(layers.LSTM(64, return_sequences=True))model.add(layers.LSTM(32))model.add(layers.Dropout(0.1))model.add(layers.Dense(1))# model.compile(optimizer = 优化器，loss = 损失函数， metrics = ["准确率”])# “adam"  或者  tf.keras.optimizers.Adam(lr = 学习率，decay = 学习率衰减率）# ”mse" 或者 tf.keras.losses.MeanSquaredError()model.compile(optimizer=keras.optimizers.Adam(), loss='mse',metrics=['accuracy'])# monitor：要监测的数量。# factor：学习速率降低的因素。new_lr = lr * factor# patience：没有提升的epoch数，之后学习率将降低。# verbose：int。0：安静，1：更新消息。# mode：{auto，min，max}之一。在min模式下，当监测量停止下降时，lr将减少；在max模式下，当监测数量停止增加时，它将减少；在auto模式下，从监测数量的名称自动推断方向。# min_delta：对于测量新的最优化的阀值，仅关注重大变化。# cooldown：在学习速率被降低之后，重新恢复正常操作之前等待的epoch数量。# min_lr：学习率的下限learning_rate= keras.callbacks.ReduceLROnPlateau(monitor='val_loss', patience=3, factor=0.7, min_lr=0.00000001)#显示模型结构model.summary()# 训练模型history = model.fit(x_train, y_train,                    batch_size = 128,                    epochs=100,                    validation_data=(x_valid, y_valid),                    callbacks=[learning_rate])# loss变化趋势可视化plt.title('LSTM loss figure')plt.plot(history.history['loss'],label='training loss')plt.plot(history.history['val_loss'], label='val loss')plt.legend(loc='upper right')plt.show()#### 预测结果分析&可视化 ##### 输入测试数据,输出预测结果y_pred = model.predict(x_test)# 输入数据和标签,输出损失和精确度model.evaluate(x_test)scaler.fit_transform(pd.DataFrame(valid['Value'].values))# 反归一化y_pred = scaler.inverse_transform(y_pred.reshape(-1,1)[:,0].reshape(1,-1)) #只取第一列y_test = scaler.inverse_transform(y_test.reshape(-1,1)[:,0].reshape(1,-1))# 预测效果可视化plt.title('Predicted and real')plt.figure(figsize=(16, 8))dict = {    'Predictions': y_pred[0],    'Value': y_test[0]}data_pd = pd.DataFrame(dict)plt.plot(data_pd[['Value']],linewidth=3,alpha=0.8)plt.plot(data_pd[['Predictions']],linewidth=1.2)#plt.savefig('lstm.png', dpi=600)plt.show()

---

预测后几天的数据和后一天原理是一样的，因为预测的是5天的数据所以不能使用图像显示出来，只能取出预测五天的头一天的数据进行绘图。数据结构可以打印出来的，我没有反归一化，需要的时候再弄把

前五十天预测五天的代码：

# 调用库 import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom tensorflow import kerasfrom tensorflow.keras import layersfrom sklearn.preprocessing import MinMaxScaler# 读入数据data = pd.read_excel('BTCtest.xlsx')time_step = 50 # 输入序列长度# 划分训练集与验证集data = data[['Value']]train = data[0:1277]  #70%valid = data[1278:1550] #15%test = data[1551:] #15%# 归一化scaler = MinMaxScaler(feature_range=(0, 1))# 定义一个切片函数# datas 切片数据 time_step要输入的维度 pred 预测维度def scalerClass(datas,scaler,time_step,pred):    x, y = [], []    scaled_data = scaler.fit_transform(datas)    for i in range(time_step, len(datas) - pred):        x.append(scaled_data[i - time_step:i])        y.append(scaled_data[i: i + pred])    # 把x_train转变为array数组    x, y = np.array(x), np.array(y).reshape(-1, 5)  # reshape(-1,5)的意思时不知道分成多少行，但是是五列    return x,y# 训练集 验证集 测试集 切片x_train,y_train = scalerClass(train,scaler,time_step=time_step,pred=5)x_valid, y_valid = scalerClass(valid,scaler,time_step=time_step,pred=5)x_test, y_test = scalerClass(test,scaler,time_step=time_step,pred=5)# 建立网络模型model = keras.Sequential()model.add(layers.LSTM(64, return_sequences=True, input_shape=(x_train.shape[1:])))model.add(layers.LSTM(64, return_sequences=True))model.add(layers.LSTM(32) 上海党性培训 www.utibetganxun.com )model.add(layers.Dropout(0.1))model.add(layers.Dense(5))model.compile(optimizer=keras.optimizers.Adam(), loss='mse',metrics=['accuracy'])learning_rate_reduction = keras.callbacks.ReduceLROnPlateau(monitor='val_loss', patience=3, factor=0.7, min_lr=0.000000005)model.summary()history = model.fit(x_train, y_train,                    batch_size = 128,                    epochs=30,                    validation_data=(x_valid, y_valid),                    callbacks=[learning_rate_reduction])# loss变化趋势可视化plt.title('LSTM loss figure')plt.plot(history.history['loss'],label='training loss')plt.plot(history.history['val_loss'], label='val loss')plt.legend(loc='upper right')plt.show()#### 预测结果分析&可视化 ####y_pred = model.predict(x_test)model.evaluate(x_test)scaler.fit_transform(pd.DataFrame(valid['Value'].values))print(y_pred)print(y_test)# 预测效果可视化# 反归一化y_pred = scaler.inverse_transform(y_pred.reshape(-1,5)[:,0].reshape(1,-1)) #只取第一列y_test = scaler.inverse_transform(y_test.reshape(-1,5)[:,0].reshape(1,-1))plt.figure(figsize=(16, 8))plt.title('Predicted and real')dict_data = {    'Predictions': y_pred.reshape(1,-1)[0],    'Value': y_test[0]}data_pd = pd.DataFrame(dict_data)plt.plot(data_pd[['Value']],linewidth=3,alpha=0.8)plt.plot(data_pd[['Predictions']],linewidth=1.2)plt.savefig('lstm.png', dpi=600)plt.show()