翻译自外网,这是我觉得少数在做预测的实验
原文链接
时间序列数据,顾名思义,是一种随时间变化的数据类型。例如,24小时时间段内的温度,一个月内各种产品的价格,某一特定公司一年内的股票价格。先进的深度学习模型,如Long Short Term Memory Networks (LSTM),能够捕捉时间序列数据中的模型,因此可以用来预测数据的未来趋势。在本文中,您将看到如何使用LSTM算法使用时间序列数据进行未来预测。
在本文中,我们将使用PyTorch库,这是深度学习中最常用的Python库之一。在继续学习之前,假设您对Python编程语言具有中级水平的熟练程度,并且已经安装了PyTorch库。此外,了解基本机器学习概念和深度学习概念也会有所帮助。如果你还没有安装PyTorch,你可以使用下面的pip命令:
pip install pytorch
数据集和问题定义
导入航班数据集 flights.csv(数据集已上传)。让我们加载数据集到我们的程序,看看它是什么样子:
import torch
import torch.nn as nn
from pandas import read_csv
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
flight_data = read_csv("flights.csv")
print(flight_data.head())
Output:
数据集有三列:年、月和乘客。“passengers”列包含指定月份中旅行的乘客总数。让我们绘制数据集的形状:
print(flight_data.shape)
Output:
可以看到数据集中有144行3列,这意味着数据集中包含了乘客12年的出行记录。这项任务是根据前132个月的数据,预测过去12个月出行的乘客数量。请记住,我们有144个月的记录,这意味着前132个月的数据将用于训练我们的LSTM模型,而模型性能将使用最后12个月的值进行评估。
让我们将数据可视化:
fig_size = plt.rcParams["figure.figsize"]
fig_size[0] = 15
fig_size[1] = 5
plt.rcParams["figure.figsize"] = fig_size
plt.title('Month vs Passenger')
plt.ylabel('Total Passengers')
plt.xlabel('Months')
plt.grid(True)
plt.autoscale(axis='x',tight=True)
plt.plot(flight_data['passengers'])
plt.show()
Output:
输出显示,多年来乘飞机旅行的平均人数增加了。一年内旅行的乘客数量是波动的,这是有道理的,因为在寒暑假期间,旅行的乘客数量比一年中其他时间增加。
数据预处理
第一个预处理步骤是将passengers列的类型更改为float:
all_data = flight_data['passengers'].values.astype(float)
现在,如果您打印all_data numpy数组,您应该看到以下浮动类型值:
print(all_data)
Output:
接下来,我们将数据集划分为训练集和测试集。LSTM算法在训练集上进行训练,然后用模型对测试集进行预测,并将预测结果与测试集中的实际值进行比较,以评估训练后的模型的性能。
前132条记录将用于训练模型,后12条记录将用作测试集。下面的脚本将数据分为训练集和测试集。
test_data_size = 12
train_data = all_data[:-test_data_size]
test_data