【keras】利用LSTM做简单的时间序列预测

项目地址

首先加载时间序列数据集，数据集

import pandas as pd
data = pd.read_csv('SP500.csv')
data.head()

数据集大概是这样的，这里我们选择’Close’这一列特征进行预测。

将其可视化

import matplotlib.pyplot as plt
import numpy as np
data_close = np.reshape(data['Close'].values,(-1,1))
plt.plot(data_close)

可以看到数值变化较大，从0变化到2500，为了方便LSTM训练我们将其进行MinMax归一化，最后再将预测结果反归一化回来即可。

如下，对数据进行归一化

from sklearn.preprocessing import MinMaxScaler
data_scaler = MinMaxScaler(feature_range=(0, 1))
scale_data = data_scaler.fit_transform(data_close)
plt.plot(scale_data)

归一化后并不改变数据的趋势，此时数值大小被限制在（0,1）间。

LSTM的输入数据格式是：[batchsize，num_steps，feature_size]，num_steps即我们每次用多少个观测值去预测下一个时刻的观测值，这些观测值在时间上是连续的，feature_size表示每个观测值的特征大小，这里我们是预测一个数，因此feature_size=1。我们需要定义一个函数将数据规范成这种格式。

将数据规范成[None，num_steps，feature_size]的形式，且根据test_ratio划分训练集和测试集。

def data_format(data, num_steps=4, test_ratio=0.2):
    # split into groups of num_steps
    X = np.array([data[i: i + num_steps]
                  for i in range(len(data) - num_steps)])
    y = np.array([data[i + num_steps]
                  for i in range(len(data) - num_steps)])

    train_size = int(len(X) * (1.0 - test_ratio))
    train_X, test_X = X[:train_size], X[train_size:]
    train_y, test_y = y[:train_size], y[train_size:]
    return train_X, train_y, test_X, test_y

对归一化后的数据进行数据格式规范化

num_steps = 3
test_ratio = 0.2
train_X, train_y, test_X, test_y = data_format(scale_data, num_steps, test_ratio)
print(train_X.shape, test_X.shape)
>>>  (13487, 3, 1) (3372, 3, 1)

接下来定义LSTM网络对进行预测

输入为[batchsize，num_steps，feature_size]（定义Inputs时是不需要管batchsize大小的），LSTM的神经元个数为32，即LSTM层输出是一个大小为32的向量，后接一个全连接层将32维的向量映射成一个数字，采用MSE作为误差函数。

from keras.layers import LSTM, Dense, Input
from keras import Model 

inputs = Input(shape=[num_steps, 1])
lstm = LSTM(32)(inputs)
out = Dense(1)(lstm)
model = Model(inputs, out)
model.compile(loss='mean_squared_error', optimizer='adam')
model.summary()

网络形状如下，关于LSTM的网络参数个数可以看我的另一篇博客

Layer (type)                 Output Shape              Param #   
=================================================================
input_2 (InputLayer)         (None, 3, 1)              0         
_________________________________________________________________
lstm_2 (LSTM)                (None, 32)                4352      
_________________________________________________________________
dense_2 (Dense)              (None, 1)                 33        
=================================================================
Total params: 4,385
Trainable params: 4,385
Non-trainable params: 0

接着对网络进行fit训练

model.fit(train_X, train_y, batch_size=1, epochs=30)

训练完成后我们对测试集进行预测

preds = model.predict(test_X)

将预测结果反归一化，并于真实值比较

preds = data_scaler.inverse_transform(preds)
trues = data_scaler.inverse_transform(test_y)
plt.plot(preds, c='r', label='predict')
plt.plot(trues, c='b', label='true')
plt.legend()

可以看到这个简单的网络已经基本拟合了测试集，表现不错，我们还可以搭建多层LSTM做更复杂的模型，搭建多层LSTM可见我的另一篇博客