rnn/lstm 项目实战

tip:本项目用到的数据和代码在https://pan.baidu.com/s/1Cw6OSSWJevSv7T1ouk4B6Q?pwd=z6w2 

1. RNN : 预测股价

任务：基于zgpa_train.csv数据,建立RNN模型,预测股价

1.完成数据预处理，将序列数据转化为可用于RNN输入的数据

2.对新数据zgpa_test.csv进行预测，可视化结果

3.存储预测结果，并观察局部预测结果

备注：模型结构：单层RNN，输出有5个神经元，每次使用前8个数据预测第9个数据

1.1 数据准备

下面是一个预测股票的一个项目实战。

任务：基于zgpa_train.csv数据,建立RNN模型,预测股价

1.完成数据预处理，将序列数据转化为可用于RNN输入的数据

2.对新数据zgpa_test.csv进行预测，可视化结果

3.存储预测结果，并观察局部预测结果

备注：模型结构：单层RNN，输出有5个神经元，每次使用前8个数据预测第9个数据。

数据内容大致如下：

开始项目，代码如下： 

import pandas as pd
import numpy as np
data = pd.read_csv('zgpa_train.csv')
data.head()

# 加载收盘价
price = data.loc[:, 'close']
price.head()

# 归一化处理
price_norm = price/max(price)
print(price_norm)

# 归一化之前的数据可视化
%matplotlib inline
from matplotlib import pyplot as plt
fig1 = plt.figure(figsize=(8,5))
plt.plot(price)
plt.title('close_price')  # 归一化之前的数据
plt.xlabel('time')
plt.ylabel('price')
plt.show()

%matplotlib inline的作用：

%matplotlib inline 是一个 IPython 魔法命令，用于在 Jupyter Notebook 中将 matplotlib 绘图直接嵌入到输出单元中。这样可以使绘图在 Notebook 中显示，而无需调用 plt.show() 方法。此外，它可以确保每次执行绘图代码时，图形都能在相应的输出单元显示，而不是在外部窗口中弹出。

inline：表示图像“在线”显示，意思是在 Jupyter Notebook 的输出单元中直接显示图像，而不是在单独的窗口中弹出。

# 对 X 与 y 进行赋值
# 定义方法去提取 X 与 y
def extract_data(data, time_step):
  X = []  # list
  y = []  # list
  # 例如，10个样本；time_step=8；
  # 第一组样本，0,1,2,...7
  # 第二组样本，1,2,3,...8
  # 第三组样本，2,3,4,...9
  # 共有2组样本可供观测
  for i in range(len(data)-time_step):
    X.append([a for a in data[i:i+time_step]])
    y.append(data[i+time_step])
  X = np.array(X)
  X = X.reshape(X.shape[0], X.shape[1], 1)
  return X, y

上面是设计数组X、y的函数，即X是因，y是果，用X的一个数组得到y的一个对应值；这里把X处理成了最后一个维度只有一个元素的维度，即X.shape =（*,*,...,1)。 

# 定义 X 与 y
time_step = 8
X, y = extract_data(price_norm, time_step)
print(X.shape) # 723个样本，每个样本有8个数据，每个样本对应1个单独数值，（723,8,1）
print(X[0, :, :]) # 第一个样本数据

这里使用刚才的函数，提供data和time_step，创建出X，y。

jupyter里可以不需要用那么多print，直接在单元格输入X.shape，X[0]就能得到相应的结果。

---------------------------------------------------------------------------------------------------------------------------

1.2 模型建立

下面是建立模型的主要代码，这段代码使用 Keras 构建了一个简单的 循环神经网络（RNN）模型，它适合用于 回归任务。以下是代码中各个步骤的解释：：

from keras.models import Sequential        
from keras.layers import Dense, SimpleRNN  # 引入层相关,输出层与 RNN 层

model = Sequential() # 创建实例
model.add(SimpleRNN(units=5, input_shape=(time_step, 1), activation='relu')) # RNN 层
model.add(Dense(units=1, activation='linear')) # 输出层，回归任务直接使用 linear 激活函数
model.compile(optimizer='adam', loss='mean_squared_error') # 回归使用mse评测
model.summary() 

逐步解析代码：

1. 导入模块

from keras.models import Sequential        
from keras.layers import Dense, SimpleRNN

• Sequential：用于构建 Keras 的顺序模型，可以按顺序堆叠各层。
• Dense 和 SimpleRNN：分别代表全连接层和简单循环神经网络（RNN）层。

2. 创建模型实例

model = Sequential()

使用 Sequential() 创建一个顺序模型实例 model，可以层层堆叠神经网络层。

3. 添加 SimpleRNN 层

model.add(SimpleRNN(units=5, input_shape=(time_step, 1), activation='relu'))

• SimpleRNN：一种简单的循环神经网络层。
• units=5：表示 RNN 层有 5 个隐藏单元（Hidden Units）。
• input_shape=(time_step, 1)：输入的形状。假设时间步为 time_step，每步有一个特征。
• activation='relu'：使用 ReLU 激活函数。

1. 这一步就对应理论部分的由x到h，这里 units=5 表示 RNN 层有 5 个隐藏单元h，每个单元可以理解为负责捕捉某一方面的特征，这些单元共同作用，从输入数据中提取序列信息，并将提取到的特征传递到下一层或输出层。在这个RNN 模型中，每个时间步都会产生 5 个隐藏单元的输出。

隐藏单元越多，模型能够捕捉的特征就越多，模型也会更复杂，适合处理高维和复杂数据。

2. input_shape=(time_step, 1)：说明输入序列的长度和每个时间步的特征数量，用来告诉模型输入数据的形状。这里的特征指的是，描述了每个时间步的输入信息量，比如传感器数据流中每个时间步可能有多个传感器特征（例如温度、湿度、压力等）。这个模型只用到了一个特征，即close收盘价，对应之前数据准备只取了那一列。

3. activation='relu'：指定了隐藏状态计算中的激活函数，即计算由x到h的激活函数。

4. 添加 Dense 输出层

model.add(Dense(units=1, activation='linear'))

• 是在给模型添加一个 全连接层（Dense 层），该层有如下配置：

• units=1：表示该层包含一个神经元，输出为一个值。对于回归任务（例如预测一个