
隨著時間序列分析的普及,LSTM 成為了深度學(xué)習(xí)中最常用的工具之一。它以其優(yōu)異的性能和對數(shù)據(jù)的自適應(yīng)特征提取而聞名。然而,在實際應(yīng)用中,我們通常需要通過多變量來預(yù)測未來時間序列數(shù)據(jù)。本文將介紹如何使用多變量 LSTM 模型來進行時間序列預(yù)測,并且給出一個例子來預(yù)測未來一周的氣溫。
首先,我們需要準(zhǔn)備數(shù)據(jù)集。在本例中,我們將使用包含多個變量的天氣數(shù)據(jù)。這些變量包括溫度、濕度、風(fēng)速、降雨量等。我們將選取最近一年的數(shù)據(jù),將其前80%作為訓(xùn)練集,后20%作為測試集。
接下來,我們需要對數(shù)據(jù)進行歸一化處理。由于不同變量之間的值域差異較大,我們需要將其進行縮放到一個相同的范圍內(nèi)。這里我們將使用 Scikit-Learn 庫中的MinMaxScaler函數(shù)。
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
train_data = scaler.fit_transform(train_data)
test_data = scaler.transform(test_data)
接下來,我們需要將數(shù)據(jù)轉(zhuǎn)換成適合 LSTM 模型的格式。在多變量情況下,我們需要將每個時刻的輸入向量擴展到包含多個變量。這里我們將以過去 30 天的數(shù)據(jù)為輸入,預(yù)測未來一周的氣溫。
import numpy as np def create_dataset(X, y, time_steps=1):
Xs, ys = [], [] for i in range(len(X) - time_steps):
v = X[i:i + time_steps]
Xs.append(v)
ys.append(y[i + time_steps]) return np.array(Xs), np.array(ys)
TIME_STEPS = 30 X_train, y_train = create_dataset(train_data, train_data[:, 0], TIME_STEPS)
X_test, y_test = create_dataset(test_data, test_data[:, 0], TIME_STEPS)
接下來,我們可以構(gòu)建 LSTM 模型。在本例中,我們將使用兩層 LSTM 和一個全連接層。模型的輸入形狀應(yīng)該是(samples, time_steps, features)。
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, LSTM
model = Sequential([
LSTM(units=64, input_shape=(X_train.shape[1], X_train.shape[2]), return_sequences=True),
LSTM(units=32, return_sequences=False),
Dense(units=1)])
在訓(xùn)練模型之前,我們需要定義損失函數(shù)和優(yōu)化器,并編譯模型。
model.compile(loss='mean_squared_error', optimizer='adam')
現(xiàn)在,我們可以開始訓(xùn)練模型。在每個 epoch 后,我們將記錄訓(xùn)練集和測試集上的損失值,并可視化它們的變化。
history = model.fit(
X_train, y_train,
epochs=50,
batch_size=16,
validation_split=0.1,
verbose=1,
shuffle=False) import matplotlib.pyplot as plt
plt.plot(history.history['loss'], label='train')
plt.plot(history.history['val_loss'], label='test')
plt.legend()
plt.show()
在模型訓(xùn)練完成后,我們可以對測試集進行預(yù)測,并將預(yù)測結(jié)果與真實值進行比較。
y_pred = model.predict(X_test)
plt.plot(y_test, label='true')
plt.plot(y_pred, label='predicted')
plt.legend()
plt.show()
最后,我們將使用訓(xùn)練好的模型來預(yù)測未來一周的氣溫。首先,我們需要獲取最近 30 天的數(shù)據(jù),然后使用模型進行預(yù)測。每次預(yù)測完之后,我們將新的預(yù)測值添加到輸入序列中,用于下一次的預(yù)測。
X_last30
= test_data[-TIME_STEPS:] forecast = [] for i in range(7): y_pred_one = model.predict(X_last30.reshape(1, TIME_STEPS, -1)) forecast.append(y_pred_one[0, 0]) X_last30 = np.vstack((X_last30[1:], y_pred_one))
forecast = scaler.inverse_transform(np.array(forecast).reshape(-1, 1))
以上便是使用多變量 LSTM 進行時間序列預(yù)測的整個流程。通過訓(xùn)練模型,我們可以獲得對未來數(shù)據(jù)的預(yù)測結(jié)果,并且不僅僅考慮了單一變量的影響,而是綜合了多個變量的影響。當(dāng)然,這只是一個簡單的例子,實際應(yīng)用中可能會涉及到更加復(fù)雜的數(shù)據(jù)和模型。
相信讀完上文,你對算法已經(jīng)有了全面認(rèn)識。若想進一步探索機器學(xué)習(xí)的前沿知識,強烈推薦機器學(xué)習(xí)之半監(jiān)督學(xué)習(xí)課程。
學(xué)習(xí)入口:https://edu.cda.cn/goods/show/3826?targetId=6730&preview=0
涵蓋核心算法,結(jié)合多領(lǐng)域?qū)崙?zhàn)案例,還會持續(xù)更新,無論是新手入門還是高手進階都很合適。趕緊點擊鏈接開啟學(xué)習(xí)吧!
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預(yù)測分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢預(yù)判? ? 在數(shù)據(jù)驅(qū)動決策的時代,預(yù)測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經(jīng)濟蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對策略? 長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨特的門控機制,在 ...
2025-07-07統(tǒng)計學(xué)方法在市場調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場調(diào)研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學(xué)方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03