序列模型
序列数据
统计工具
- 在时间t观察到 x t x_t xt,那么得到T个不独立的随机变量(x_1,…,x_T)~p(x)
- 使用条件概率展开p(a,b)=p(a)p(b|a)=p(b)p(a|b)
序列模型
- 对前面
x
−
x
t
−
1
x-x_{t-1}
x−xt−1进行建模表示为一个函数,可以认为是一个机器学习模型。现在是给定前面的让我们去预测现在的,这也是一个自回归模型。
方案A-马尔科夫假设
- 给定定长的
τ
\tau
τ,然后预测
方案B-潜变量模型
- 引入一个潜变量来记录过去的信息,这样这里就是一个函数。这里的潜变量是前一个状态的潜变量和前一个状态的x
总结
序列模型代码实现
使用正弦函数和一些科加性噪声来生成序列数据,时间步为1,2,3,…,1000
%matplotlib inline
import torch
from torch import nn
from d2l import torch as d2l
T = 1000 # 给定时间
time = torch.arange(1, T + 1, dtype=torch.float32) # 生成1000个时间的值
x = torch.sin(0.01 * time) + torch.normal(0, 0.2, (T,)) # 正弦函数
d2l.plot(time, [x], 'time', 'x', xlim=[1, 1000], figsize=(6, 3))
将数据映射为数据对 y t = x t y_t=x_t yt=xt和 X t = [ x t − τ , . . . , x t − 1 ] X_{t}=[x_{t-\tau},...,x_{t-1}] Xt=[xt−τ,...,xt−1]
tau = 4
features = torch.zeros((T - tau, tau)) # 这个就是样本数
for i in range(tau):
features[:, i] = x[i:T - tau + i]
labels = x[tau:].reshape((-1, 1)) # label就是从定长的开始一直到最后
batch_size, n_train = 16, 600
train_iter = d2l.load_array((features[:n_train], labels[:n_train]),
batch_size, is_train=True)
使用一个相当简单的结构:只是一个拥有两个全连接层的多层感知机
def init_weights(m):
if type(m) == nn.Linear:
nn.init.xavier_uniform_(m.weight)
def get_net():
net = nn.Sequential(nn.Linear(4, 10), nn.ReLU(), nn.Linear(10, 1))
net.apply(init_weights)
return net
loss = nn.MSELoss() # MSE损失函数
训练模型
def train(net, train_iter, loss, epochs, lr):
trainer = torch.optim.Adam(net.parameters(), lr)
for epoch in range(epochs):
for X, y in train_iter:
trainer.zero_grad()
l = loss(net(X), y)
l.backward()
trainer.step()
print(f'epoch {epoch + 1}, '
f'loss: {d2l.evaluate_loss(net, train_iter, loss):f}')
net = get_net()
train(net, train_iter, loss, 10, 0.01)
epoch 1, loss: 0.050490
epoch 2, loss: 0.046954
epoch 3, loss: 0.048392
epoch 4, loss: 0.048372
epoch 5, loss: 0.047389
epoch 6, loss: 0.050417
epoch 7, loss: 0.049999
epoch 8, loss: 0.045745
epoch 9, loss: 0.050479
epoch 10, loss: 0.048941
预测下一个时间步
onestep_preds = net(features)
d2l.plot(
[time, time[tau:]],
[x.detach().numpy(), onestep_preds.detach().numpy()], 'time', 'x',
legend=['data', '1-step preds'], xlim=[1, 1000], figsize=(6, 3))
进行多步预测
multistep_preds = torch.zeros(T)
multistep_preds[:n_train + tau] = x[:n_train + tau]
for i in range(n_train + tau, T):
multistep_preds[i] = net(multistep_preds[i - tau:i].reshape((1, -1)))
d2l.plot([time, time[tau:], time[n_train + tau:]], [
x.detach().numpy(),
onestep_preds.detach().numpy(),
multistep_preds[n_train + tau:].detach().numpy()], 'time', 'x',
legend=['data', '1-step preds',
'multistep preds'], xlim=[1, 1000], figsize=(6, 3))
更仔细地看一下𝑘步预测
max_steps = 64
features = torch.zeros((T - tau - max_steps + 1, tau + max_steps))
for i in range(tau):
features[:, i] = x[i:i + T - tau - max_steps + 1]
for i in range(tau, tau + max_steps):
features[:, i] = net(features[:, i - tau:i]).reshape(-1)
steps = (1, 4, 16, 64)
d2l.plot([time[tau + i - 1:T - max_steps + i] for i in steps],
[features[:, (tau + i - 1)].detach().numpy() for i in steps], 'time',
'x', legend=[f'{i}-step preds'
for i in steps], xlim=[5, 1000], figsize=(6, 3))