隨著時(shí)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(duì)數(shù)據(jù)的自適應(yīng)特征提取而聞名。然而，在實(shí)際應(yīng)用中，我們通常需要通過(guò)多變量來(lái)預(yù)測(cè)未來(lái)時(shí)間序列數(shù)據(jù)。本文將介紹如何使用多變量 LSTM 模型來(lái)進(jìn)行時(shí)間序列預(yù)測(cè)，并且給出一個(gè)例子來(lái)預(yù)測(cè)未來(lái)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(gè)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(cè)試集。

接下來(lái)，我們需要對(duì)數(shù)據(jù)進(jìn)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(jìn)行縮放到一個(gè)相同的范圍內(nèi)。這里我們將使用 Scikit-Learn 庫(kù)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(lái)，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(gè)時(shí)刻的輸入向量擴(kuò)展到包含多個(gè)變量。這里我們將以過(guò)去 30 天的數(shù)據(jù)為輸入，預(yù)測(cè)未來(lái)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(lái)，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(gè)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(kāi)始訓(xùn)練模型。在每個(gè) epoch 后，我們將記錄訓(xùn)練集和測(cè)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(duì)測(cè)試集進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與真實(shí)值進(jìn)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(lái)預(yù)測(cè)未來(lái)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(jìn)行預(yù)測(cè)。每次預(yù)測(cè)完之后，我們將新的預(yù)測(cè)值添加到輸入序列中，用于下一次的預(yù)測(cè)。

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(jìn)行時(shí)間序列預(yù)測(cè)的整個(gè)流程。通過(guò)訓(xùn)練模型，我們可以獲得對(duì)未來(lái)數(shù)據(jù)的預(yù)測(cè)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(gè)變量的影響。當(dāng)然，這只是一個(gè)簡(jiǎn)單的例子，實(shí)際應(yīng)用中可能會(huì)涉及到更加復(fù)雜的數(shù)據(jù)和模型。

相信讀完上文，你對(duì)算法已經(jīng)有了全面認(rèn)識(shí)。若想進(jìn)一步探索機(jī)器學(xué)習(xí)的前沿知識(shí)，強(qiáng)烈推薦機(jī)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(huì)持續(xù)更新，無(wú)論是新手入門(mén)還是高手進(jìn)階都很合適。趕緊點(diǎn)擊鏈接開(kāi)啟學(xué)習(xí)吧！