时间序列模型用于哪种预测,时间序列预测模型实验报告

　　转载来源： https://珠兰。智惠106 . com/p/290683144

　　这个数据是1949年到1960年12年间，每年12个月航班的乘客数据，共有144个数据，单位为1000个。用它进行了长短期记忆网络时间序列预测的实验。

　　数据如图所示

　　第一列是时间第二列是数据

　　创建代码头

　　importnumpimportmatplotlib。pyplotaspltfromkeras。模型从keras导出。layersimportdensefromkeras。层导入dimportosfromkeras。模型输入序列，负载_模型加载数据

　　在此，将时间序列数据的前65%作为训练数据的后35%作为测试数据

　　数据帧=PD.read _ CSV(./国际-航空公司-乘客. CSV(，usecols=[1]，engine=python )，skip footer=3)dataset=数据框。价值观#有关将整数转换为float dataset=dataset.as类型( float 32 ) #规范化，以下步骤说明scaler=minmaxscaace)dataset=scaler。fit _ transform(数据集)train _ size=int(len(数据集)* 0

　　为了LTM进行预测，时间序列数据需要预测从前一个时间步长步骤开始之后的数据

　　假设你给它一个数据集

　　{

　　甲、乙、丙-丁

　　b、c、D-E

　　中、英、法、东

　　d、e、F-G

　　英、法、俄、西

　　}

　　在这种情况下，时间步长根据3,即前3个数据来预测下一个数据的值

　　需要转换数据

　　举个简单的例子，假设目录为[1、2、3、4、5],时间步长=2

　　我们转换后要达到的效果是

　　火车_火车_Y

　　即，根据前两个值预测下一个值

　　将数据正规化

　　长短期记忆网络可以不执行规范化操作，但这样会减缓训练模型失败的下降。如果本教程没有规范化，则在100次迭代后失败仍然很高

　　#上的代码片段解释了scaler=minmax scaler(feature _ range=(0，1))dataset=scaler。拟合_变换)处理数据

　　efcreate_dataset(dataset，look_back ) :#)这里的回望与时间步长相同的dataX，dataY=[]，[]for iinrange(len(dataset(-look _ back-1):a=dataset)I:)Ilook _ back)]dataX。追加数字。数组)数据)训练数据太少，回头看看太大，无法达到look_back=1trainX，trainy=create_dataser)

　　输入长短期记忆网络为[样本、时间步长、特征]

　　这里的时间步长是步数，功能是维，我们在这里的数据是一维的

　　trainx=numpy . shape(trainx，(trainX.shape[0]，trainX.shape[1]，1))testx=numpy。reshape))testx 1)# createandithelstmnewolmodel=sequential()模型。add)lstm(4，input_shape=) none，1)模型。add()optimizer= Adam )模型。适合verbose=2)模型。保存(操作系统。路径。join( data ， Test H5 )# make preve

　　# model=load _ model(OS路径。加入(数据，测试 H5 )(训练预测=模型)。预测(trainx)测试预测=模型。预测)testx)#逆归一化trainpredict=scainpredict))表示trainy=scaler。逆变换测试预测=scaler.inverse _ transe

　　PLT。绘图(训练)绘图。plot)训练预测[1:](PLT。show))PLT。PLT(测试)PLT。剧情)测试预测【1334】

　　参考资料

　　使用长短期记忆网络的时间序列预测的一个小例子

　　克拉斯中文文档-序列模型