1. 首页
  2. 问题
  3. 如何使用Keras RNN模型预测未来的日期或事件？
一尘不染

如何使用Keras RNN模型预测未来的日期或事件？

python

这是我训练完整模型并保存它的代码：

num_units = 2
activation_function = 'sigmoid'
optimizer = 'adam'
loss_function = 'mean_squared_error'
batch_size = 10
num_epochs = 100

# Initialize the RNN
regressor = Sequential()

# Adding the input layer and the LSTM layer
regressor.add(LSTM(units = num_units, activation = activation_function, input_shape=(None, 1)))

# Adding the output layer
regressor.add(Dense(units = 1))

# Compiling the RNN
regressor.compile(optimizer = optimizer, loss = loss_function)

# Using the training set to train the model
regressor.fit(x_train, y_train, batch_size = batch_size, epochs = num_epochs)
regressor.save('model.h5')

之后，我看到大多数时候人们都建议我们使用测试数据集来检查预测，这也是我尝试过并获得良好结果的结果。

但是问题出在我创建的模型的使用上。我想对未来30天或每分钟的天气预报。现在，我拥有训练有素的模型，但是无法获得所能做的事情或使用什么代码来使用该模型并无法预测未来30天或一分钟的价格。

请给我建议出路。一个星期以来，我一直在解决这个问题，无法进行任何成功的尝试。

这是存储库的链接，可以在其中找到完整的可运行代码，模型和数据集：
我的存储库链接


阅读 146

收藏
2020-12-20

共1个答案

一尘不染

好吧，您需要一个stateful=True模型，因此您可以将其一个接一个地提供给另一个预测，以获取下一个预测，并使模型始终认为每个输入不是新序列，而是前一个序列的后继。

修改代码和培训

我在代码中看到，有人试图让自己y成为一个转变x（预测下一步的好选择）。但是这里的预处理也存在一个大问题：

training_set = df_train.values
training_set = min_max_scaler.fit_transform(training_set)

x_train = training_set[0:len(training_set)-1]
y_train = training_set[1:len(training_set)]
x_train = np.reshape(x_train, (len(x_train), 1, 1))

LSTM图层数据的形状必须为(number_of_sequences, number_of_steps,features)。

因此，您显然只创建了1个步骤的序列，这意味着LSTM根本不学习序列。（没有一个步骤只有一个步骤）。

假设您的数据是具有1个功能的单个唯一序列，则其数据的形状肯定应为(1, len(x_train), 1)。

自然，y_train也应该具有相同的形状。

反过来，这将要求您的LSTM层是return_sequences=True-逐步y增加长度的唯一方法。另外，为了获得良好的预测，您可能需要一个更复杂的模型（因为现在这将是真正的学习）。

完成后，您将训练模型，直到获得满意的结果。

预测未来

为了预测未来，您将需要stateful=TrueLSTM层。

首先，您需要重置模型的状态：model.reset_states()-每次将新序列输入到有状态模型中时都必须这样做。

然后，首先预测整个过程X_train（模型需要用它来理解它在序列的哪一点，用技术术语来说：创建状态）。

predictions = model.predict(`X_train`) #this creates states

最后，您创建一个循环，从先前预测的最后一步开始：

future = []
currentStep = predictions[:,-1:,:] #last step from the previous prediction

for i in range(future_pred_count):
    currentStep = model.predict(currentStep) #get the next step
    future.append(currentStep) #store the future steps

#after processing a sequence, reset the states for safety
model.reset_states()

例

该代码使用2个特征的序列，移动的将来步长预测以及与此答案稍有不同但基于相同原理的方法来执行此操作。

我创建了两个模型（一个stateful=False用于训练而无需每次都需要重置状态-永远不要忘记在开始新序列时重置状态-
另一个stateful=True用于从训练后的模型中复制权重以预测未来）

https://github.com/danmoller/TestRepo/blob/master/TestBookLSTM.ipynb

2020-12-20