浅谈LSTM对于周期时间序列数据的预测

注：本文章主要针对的是长周期的时间序列数据（10000-40000条为一个周期的数据）预测

---

产生训练和测试数据

我们需要做的是产生周期为20000条/周期的sin函数时间序列（用于训练）
以及周期为40000条/周期的sin函数时间序列（用于测试）
总数据长度都为200000条

import  numpy as np
import matplotlib.pyplot as plt

x=np.arange(0,20*np.pi,2*np.pi/20000,dtype='float64')
y=np.sin(x)
plt.plot(y)
plt.show()
np.save("./train.npy",y)

x=np.arange(0,10*np.pi,2*np.pi/40000,dtype='float64')
y=np.sin(x)
plt.plot(y)
plt.show()
np.save("./test.npy",y)

产生的数据如图：
训练：

测试：

---

进行实验

首先我们训练模型 采用前100步去预测后1步。
关于LSTM如何做时间序列预测的具体文章可以见简单粗暴LSTM：LSTM进行时间序列预测
我们对于训练数据进行6次迭代之后的loss为5.1398e-04
然后对于测试数据我们看一下预测的结果：
（蓝色底为实际值，黄色为预测值，重合部分被覆盖）

import  numpy as np
import matplotlib.pyplot as plt

testY = np.load("./testY"+".npy")
y_hat = np.load("./y_hat"+".npy")
plt.plot(testY)
plt.plot(y_hat)
plt.show()

可以看到测试数据与预测数据很贴近，也就是说对于周期为20000的数据来说，使用前100步预测后1步并不能很好地记录周期信息。
我们交换一下，用测试数据去训练模型，用新模型去预原来的train数据，得到的结果如下：

依旧无法记录周期信息

---

实验2

本次我们采用200序列为一周期的数据去训练（模拟对于长周期数据的采样）：

训练完成后，预测结果为：

将训练数据改为100/周期结果为:

改为50/周期 结果为：

可以看到LSTM对于周期数据的周期记忆并不是很好，但是如果能将周期控制在预测步数（本次为100步）之内，其高低差可以对异常检测提供思路。

采用100/周期的数据训练，200/周期的数据进行预测，结果为：

放大：

可以看到，如果把周期控制在n_prediction（预测步数之内），当测试数据周期发生改变的时候，对于周期变化的响应体现在高低值的变化上，可以为异常检测提供思路

---

实验3

本次实验我们采用前100步去预测后100步，具体更改的是LSTM中对于数据进行整理的那一步：

#look_back设为100
def create_dataset(dataset, look_back):
    '''
    对数据进行处理
    '''
    dataX, dataY = [], []
    for i in range(len(dataset)-2*look_back-1):
        a = dataset[i:(i+look_back),:]
        dataX.append(a)
        dataY.append(dataset[(i+look_back):(i+2*look_back),:])
    TrainX = np.array(dataX)
    Train_Y = np.array(dataY)
    Train_Y = Train_Y.reshape(Train_Y.shape[0],Train_Y.shape[1])
    return TrainX, Train_Y

同样的 使用20000/周期的数据进行训练，结果为：

testY = np.load("./testY"+".npy")
y_hat = np.load("./y_hat"+".npy")
y_hat_one = []
y_test_one = []
#对于后100步的预测取后1步
for i in range(len(y_hat)):
    y_hat_one.append(y_hat[i,0])
    y_test_one.append(testY[i,0])
plt.plot(y_test_one)
plt.plot(y_hat_one)
plt.show()

得到了与实验1类似的结果