Python時間序列LSTM預測系列教程（3）-單變量

單變量LSTM預測模型（3）

教程原文連接

LSTM 建模

LSTM基礎

Keras 中 LSTM 的層維護一個 batch 的狀態

一個 batch = 來自訓練數據的確定個數的 rows , 他確定了在更新整個網絡權重前需要處理的 pattern 的個數

默認的，batchs 間的狀態會清空，通過調用 reset_states() 可以控制什麼時候清除 LSTM 層狀態

LSTM 層輸入格式：

爲矩陣，矩陣內容 [ samples, time steps, features ]

samples：來自 domain 的獨立觀測值，通常是 data 的行數據--就是行數

time steps：對於給定的觀測值，給定變量有單獨的時間步--就是時間窗口

features：在得到觀測值的時刻，觀測到的單獨的 measures--就是列數(屬性個數)

建模步驟

1、數據reshape爲LSTM輸入格式

X, y = train[:, 0:-1], train[:, -1]
X = X.reshape(X.shape[0], 1, X.shape[1])

2、LSTM層定義

layer = LSTM(neurons, batch_input_shape=(batch_size, X.shape[1], X.shape[2]), stateful=True)

batch_input_shape=表示每個batch需要讀取的數據格式（batch_size=每batch讀的數據行數，步長，屬性數）

neurons=神經元個數，即記憶單元個數，1~5 就很高效了

batch通常和epoch一起

epochs：確定網絡學習數據快慢，即權重的更新頻率

3、輸出定義

輸出層是單一的神經元，用的線性激活函數來預測下一時間步的數據

4、度量與優化定義

損失函數=用MSE

優化算法=用ADAM

5、編譯

model = Sequential()
model.add(LSTM(neurons, batch_input_shape=(batch_size, X.shape[1], X.shape[2]), stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

由於LSTM是有狀態的，需要在每個epoch裏面控制狀態更新

默認的

（1）在每個epoch裏的sample會被打亂，可以設置shuffle=False解決

（2）網絡會輸出debug信息，可以設置verbose=0解決

LSTM預測

兩種訓練/預測方式

（1）固定方式：將所有訓練數據fit到模型，然後從測試數據，每次預測一個

（2）動態方式：在測試數據階段，每次都會re-fit模型或更新模型