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
yizhihongxing

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

  • 使用Python实现图像融合及加法运算

    图像融合和加法运算是图像处理中常见的操作。Python提供了许多图像处理库，如Pillow、OpenCV和Scikit-image等，可以用于实现图像融合和加法运算。本文将介绍如何使用Python和Pillow库现图像融合和加法运算，并提供两个示例。 示例一：使用Python和Pillow实现图像融合 要实现图像融合，可以使用以下步骤： 导入必要的库 fro…

    python 2023年5月14日
    00

  • python numpy.ndarray中如何将数据转为int型

    以下是Python NumPy中如何将数据转为int型的攻略： Python NumPy中如何将数据转为int型 在NumPy中，可以使用astype()函数将数据转换为int型。以下是一些实现方法： 将float型数据转为int型 可以使用astype()函数将float型数据转为int型。以下是一个示例： import numpy as np a = n…

    python 2023年5月14日
    00

  • python将txt等文件中的数据读为numpy数组的方法

    以下是关于“Python将txt等文件中的数据读为numpy数组的方法”的完整攻略。 将txt文件中的数据读为numpy数组 在Python中，可以使用numpy.loadtxt()函数将txt文件中数据读为numpy数组。该函数的语法如下： numpy.loadtxt(fname, dtype=< ‘float’>, comments=’#’,…

    python 2023年5月14日
    00

  • 纯numpy数值微分法实现手写数字识别

    纯numpy数值微分法实现手写数字识别的完整攻略如下： 1. 数据集准备 首先，我们需要准备手写数字的数据集。可以使用MNIST数据集，该数据集包含60,000个训练图像和10,000个测试图像，每个图像都是28×28像素的灰度图像。可以使用numpy的load函数加载数据集。 import numpy as np # 加载MNIST数据集 train_da…

    python 2023年5月14日
    00

  • 针对Pandas的总结以及数据读取_pd.read_csv()的使用详解

    针对Pandas的总结以及数据读取_pd.read_csv()的使用详解 Pandas是一个基于NumPy的Python数据分析库，它提供了高效的数据结构和数据分析工具，可以帮助我们快速地处理和分析数据。本攻略将详细讲解Pandas的基本概念和常用操作，并提供两个数据读取的示例。 Pandas基本概念 Pandas中最常用的两个数据结构是Series和Dat…

    python 2023年5月14日
    00

  • Pyinstaller打包Pytorch框架所遇到的问题

    PyInstaller是一个用于将Python应用程序打包成独立可执行文件的工具。但是，在打包PyTorch框架时，可能会遇到一些问题。以下是PyInstaller打包PyTorch框架所遇到的问题的完整攻略，包括问题的原因和解决方法，以及示例说明： 问题：打包后的可执行文件无法运行，提示缺少DLL文件。 原因：PyTorch框架依赖于一些动态链接库文件，这…

    python 2023年5月14日
    00

  • 取numpy数组的某几行某几列方法

    以下是关于取NumPy数组的某几行某几列方法的攻略： 取NumPy数组的某几行某几列方法 在NumPy中，可以使用切片（slice）和索引（index）来取NumPy数组的某几行某几列。以下是一些常用的方法： 使用切片（slice）方法 切片（slice）方法可以取NumPy数组的某几行某几列。以下是一个示例： import numpy as np # 生成…

    python 2023年5月14日
    00

  • 详解numpy矩阵的创建与数据类型

    详解NumPy矩阵的创建与数据类型 NumPy是Python中用于科学计算的一个重要库，它提供了高效的多维数组对象和各种派生对象，包括矩阵。本攻略将详细讲解NumPy矩阵的创建与数据类型。 创建NumPy矩阵 NumPy矩阵可以使用numpy.matrix()函数创建。下面是一个创建NumPy矩阵示例： import numpy as np # 创建一个2x…

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