GAF+LSTM预测模型

 

GAF（Gramian Angular Field）是一种用于时间序列数据的特征提取方法，而LSTM（Long Short-Term Memory）是一种适用于序列数据的深度学习模型。结合这两者，你可以创建一个用于时间序列预测的模型。以下是一个简单的Python代码示例，使用GAF和LSTM来进行时间序列预测： 

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.decomposition import PCA
from pyts.image import GramianAngularField
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 生成样本时间序列数据（这里假设你有一个时间序列的数据集，用一个一维数组表示）
# 这里只是一个示例，你需要根据实际情况准备你的数据
def generate_sample_data():
    np.random.seed(42)
    time = np.arange(100)
    values = np.sin(time * 0.1) + 0.1 * np.random.randn(100)
    return values

# 将时间序列数据转换为Gramian Angular Field图像
def create_gaf_images(data):
    data = data.reshape(1, -1, 1)  # LSTM模型输入需要三维数组
    transformer = GramianAngularField(image_size=10, method='summation')
    images = transformer.fit_transform(data)
    return images

# 创建LSTM模型
def create_lstm_model(input_shape):
    model = Sequential()
    model.add(LSTM(units=50, activation='relu', input_shape=input_shape))
    model.add(Dense(units=1))
    model.compile(optimizer='adam', loss='mean_squared_error')
    return model

# 主函数
def main():
    # 生成样本数据
    data = generate_sample_data()

    # 将数据标准化到 [0, 1] 范围
    scaler = MinMaxScaler(feature_range=(0, 1))
    data = scaler.fit_transform(data.reshape(-1, 1))

    # 创建GAF图像
    images = create_gaf_images(data)

    # 使用PCA降维，以减少图像特征的维度
    pca = PCA(n_components=5)
    images = pca.fit_transform(images.reshape(-1, 100))

    # 将数据准备为LSTM模型的输入格式
    X = images[:-1]  # 输入是前面所有的图像
    y = data[1:]  # 输出是后面所有的数据

    # 划分训练集和测试集
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    # 调整输入形状以适应LSTM模型
    X_train = X_train.reshape((X_train.shape[0], 1, X_train.shape[1]))
    X_test = X_test.reshape((X_test.shape[0], 1, X_test.shape[1]))

    # 创建LSTM模型
    input_shape = (X_train.shape[1], X_train.shape[2])
    model = create_lstm_model(input_shape)

    # 训练模型
    model.fit(X_train, y_train, epochs=50, batch_size=32, validation_data=(X_test, y_test), verbose=2)

    # 在测试集上进行预测
    y_pred = model.predict(X_test)

    # 反标准化预测结果
    y_pred = scaler.inverse_transform(y_pred)
    y_test = scaler.inverse_transform(y_test)

    # 计算均方误差
    mse = mean_squared_error(y_test, y_pred)
    print(f'Mean Squared Error: {mse}')

if __name__ == "__main__":
    main()