1. Python技术站首页
  2. Python开发
  3. python

Python中LSTM回归神经网络时间序列预测详情

• python

以下是Python中LSTM回归神经网络时间序列预测的完整攻略，包括两个示例。

LSTM回归神经网络时间序列预测的基本步骤

LSTM回归神经网络时间序预测的基本步骤如下：

  1. 导入必要的库
import numpy as
import pandas as pd
import matplotlib.pyplot as plt
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
  1. 准备数据

准备时间序列数据，将其转换为适合LSTM模的格式。

class TimeSeriesDataset(Dataset):
    def __init__(self, data, seq_len):
        self.data = data
        self.seq_len = seq_len

    def __len__(self):
        return len(self.data) - self.seq_len

    def __getitem__(self, idx):
        x = self.data[idx:idx+self.seq_len]
        y = self.data[idx+self.seq_len]
        return x, y

# 加载数据
data = pd.read_csv('data.csv', header=None)
data = data.values.astype('float32')

# 划分训练集和测试集
train_size int(len(data) * 0.8)
train_data = data[:train_size]
test_data = data[train_size:]

# 标准化数据
mean = train_data.mean(axis=0)
std = train_data.std(axis=0)
train_data = (train_data - mean) / std
test_data = (test_data - mean) / std

# 创建数据集
seq_len = 10
train_dataset = TimeSeriesDataset(train_data, seq_len)
test_dataset = TimeSeriesDataset(test_data, seq_len)

# 创建数据加载器
batch_size = 32
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
  1. 定义模型

定义LSTM模型。

class LSTM(nn.Module):
    def __init__(self, input_size,_size, num_layers, output_size):
        super(LSTM, self).__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out, _ = self.lstm(x)
        out = out[:, -1, :]
        out = self.fc(out)
        return out
  1. 训练模型

训练LSTM模型。

# 定义模型
input_size = 1
hidden_size = 32
num_layers 2
output_size = 1
model = LSTM(input_size, hidden_size, num_layers, output_size)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 100
for epoch in range(num_epochs):
    for i, (x, y) in enumerate(train_loader):
        # 前向传播
        x = x.unsqueeze(-1)
        y_pred = model(x)

        # 计算损失
        loss = criterion(y_pred, y)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    # 打印损失
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))
  1. 测试模型

测试LSTM模型。

# 测试模型
model.eval()
with torch.no_grad():
    y_pred = []
    for x, y in test_loader:
        x = x.unsqueeze(-1)
        y_pred.append(model(x).squeeze().numpy())
    y_pred = np.concatenate(y_pred)

# 反标准化数据
y_pred = y_pred * std[-1] + mean[-1]
y_true = test_data[seq_len:, -1] * std[-1] + mean[-1]

# 绘制预测结果
plt.plot(y_true, label='True')
plt.plot(y_pred, label='Predicted')
plt.legend()
plt.show()

以上是Python中LSTM回归神经网络时间序列预测的完整攻略，通过以上步骤和示例，我们可以轻松地使用LSTM模型进行时间序列预测。

示例一：使用LSTM模型预测股票价格

以下是使用LSTM模型预测股票价格的示例代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader

# 加载数据
data = pd.read_csv('stock.csv')
data = data['Close'].values.astype('float32')

# 划分训练集和测试集
train_size = int(len(data) * 0.8)
train_data = data[:train_size]
test_data = data[train_size:]

# 标准化数据
mean = train_data.mean()
std = train_data.std()
train_data = (train_data - mean) / std
test_data = (test_data - mean) / std

# 创建数据集
seq_len = 10
train_dataset = TimeSeriesDataset(train_data, seq_len)
test_dataset = TimeSeriesDataset(test_data, seq_len)

# 创建数据加载器
batch_size = 32
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

# 定义模型
input_size = 1
hidden_size = 32
num_layers = 2
output_size = 1
model = LSTM(input_size, hidden_size, num_layers, output_size)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 100
for epoch in range(num_epochs):
    for i, (x, y) in enumerate(train_loader):
        # 前向传播
        x = x.unsqueeze(-1)
        y_pred = model(x)

        # 计算损失
        loss = criterion(y_pred, y)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    # 打印损失
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 测试模型
model.eval()
with torch.no_grad():
    y_pred = []
    for x, y in test_loader:
        x = x.unsqueeze(-1)
        y_pred.append(model(x).squeeze().numpy())
    y_pred = np.concatenate(y_pred)

# 反标准化数据
y_pred = y_pred * std + mean
y_true = test_data[seq_len:] * std + mean

# 绘制预测结果
plt.plot(y, label='True')
plt.plot(y_pred, label='Predicted')
plt.legend()
plt.show()

上面的代码使用LSTM模型预测股票价格。

示例二：使用LSTM模型预测气温

以下使用LSTM模型预测气温的示例代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader

# 加载数据
data = pd.read_csv('temperature.csv')
data = data['Temperature'].values.astype('float32')

# 划分训练集和测试集
train_size = int(len(data) * 0.8)
train_data = data[:train_size]
test_data = data[train_size:]

# 标准化数据
mean = train_data.mean()
std = train_data.std()
train_data = (train_data - mean) / std
test_data = (test_data - mean) / std

# 创建数据集
seq_len = 10
train_dataset = TimeSeriesDataset(train_data, seq_len)
test_dataset = TimeSeriesDataset(test_data, seq_len)

# 创建数据加载器
batch_size = 32
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

# 定义模型
input_size = 1
hidden_size = 32
num_layers = 2
output_size = 1
model LSTM(input_size, hidden_size, num_layers, output_size)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练模型
num_epochs = 
for epoch in range(num_epochs):
    for i, (x, y) in enumerate(train_loader):
        # 前向传播
        x = x.unsqueeze(-1)
        y_pred = model(x)

        # 计算损失
        loss = criterion(y_pred, y)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    # 打印损失
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 测试模型
model.eval()
with torch.no_grad():
    y_pred = []
    for x, y in test_loader:
        x = x.unsqueeze(-1)
        y_pred.append(model(x).squeeze().numpy())
    y_pred = np.concatenate(y_pred)

# 反标准化数据
y_pred = y_pred * std + mean
y_true = test_data[seq_len:] * std + mean

# 绘制预测结果
plt.plot(y_true, label='True')
plt.plot(y_pred label='Predicted')
plt.legend()
plt.show()

上面的代码使用LSTM模型预测气温。

本站文章如无特殊说明，均为本站原创，如若转载，请注明出处：Python中LSTM回归神经网络时间序列预测详情 - Python技术站

赞 (0)
0 0 打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023年5月14日
下一篇 2023年5月14日

相关文章

  • 利用ctypes获取numpy数组的指针方法

    以下是关于“利用ctypes获取numpy数组的指针方法”的完整攻略。 背景 在 Python 中，NumPy 是一个常用的科学计算库，提供了许多方便的函数和工具。在某些情况下，我们可能需要将 NumPy 数组传递给 C 或 C++ 函数，这时候就需要获取 NumPy 数组的指针。本攻略详细介绍如何利用 ctypes 获取 NumPy 数组的指针方法。 利用…

    python 2023年5月14日
    00

  • python基于numpy的线性回归

    以下是关于“Python基于Numpy的线性回归”的完整攻略。 线性回归简介 线性回归是一种常见的机器学习算法，用于建立一个线性模型来预测一个续的输出变量。在线性回归中，我们假设输入变量和输出变量之间存在线性关系，然后使用最小二法来拟合这个线性模型。 Numpy实现线性回归 在Python中，可以使用Numpy库来实现线性回归下面是一个示例代码，演示了如何使…

    python 2023年5月14日
    00

  • NumPy排序的实现

    NumPy库中提供了多个排序函数，其中最常用的是sort()函数。本文将详细讲解NumPy库中排序的实现，包括排序函数的基本用法、排序函数的参数、排序函数的返回值、排序函数的应用等方面。 排序函数的基本用法 sort()函数是NumPy库中最常用的排序函数，它可以数组进行排序。下面是一个示例： import numpy as np # 定义数组 a = np…

    python 2023年5月14日
    00

  • numpy np.newaxis 的实用分享

    以下是关于“NumPy中np.newaxis的实用分享”的完整攻略。 np.newaxis简介 在NumPy中，np.newaxis是一个特殊的常量，用于在数组中增加一个新的维度。它可以于在数组的任位置增加一个新的维度，而改变数组的形状。 np.newaxis的使用方法 下面是np.newaxis的使用： import numpy as np # 创建一个一…

    python 2023年5月14日
    00

  • Python NumPy中diag函数的使用说明

    以下是关于“Python NumPy中diag函数的使用说明”的完整攻略。 diag函数的概念 在NumPy中，diag函数可以用于提取或构造对角线数组。它可以接受一个二维数组作为参数，并返回该数组的对线元素或者构造一个新的二维数组，其中指定的一维数组为对角线元素。 使用diag函数提对角线元素 下面是一个使用diag函数提取对角线元素的示例代码： impo…

    python 2023年5月14日
    00

  • Python 通过URL打开图片实例详解

    在Python中，可以使用urllib模块来通过URL打开图片。urllib模块提供了许多函数来处理URL和HTTP请求。本文将详细介绍如何使用urllib模块通过URL打开图片，并提供两个示例。 示例一：通过打开图片并保存到本地 要通过URL打开图片并保存到本地，可以使用urllib.request.url()函数。urlretrieve()函数接受两个参…

    python 2023年5月14日
    00

  • python中利用numpy.array()实现俩个数值列表的对应相加方法

    以下是关于“Python中利用numpy.array()实现两个数值列表的对应相加方法”的完整攻略。 背景 在Python中，我们可以使用numpy.array()函数创建数组。我们可以使用numpy.array()函数来实现两个数值列表的对应相加方法。本攻略将介绍如何使用numpy.array()来实现对应相加方法，并提供两个示例来演示如何使用numpy.…

    python 2023年5月14日
    00

  • python中numpy的矩阵、多维数组的用法

    Python NumPy教程之矩阵和多维数组的用法 NumPy是Python中一个重要的科学计算库，提供了高效的多维数组和各种派生及算种函数。在NumPy中，可以使用ndarray多维数组来各种处理操作，包括创建、索引、切片、运算等。本文将详细讲解Numpy中矩阵和多维数组的用法，包括创建、索引、切片、运算等，并提供了两个示例。 创建矩阵和多维数组 在Num…

    python 2023年5月13日
    00
合作推广
合作推广
分享本页
返回顶部