目录

1.特征工程

我们在进行模型搭建之前，需要进行特征工程。

1.1.创建样本集和标签集

def create_new_dataset(dataset,seq_len):
    #新建两个空列表，用来存放样本和标签数据
    x=[]
    y=[]
    start=0#开始位置
    end=dataset.shape(0)-seq_len#截止位置
    #dataset.shape(0)表示样本数
    for i in range(start,end):
        sample=dataset[i,i+seq_len]
        label=dataset[i+seq_len]
        x.append(sample)
        y.append(label)
    return np.array(x),np.array(y)

 注：这里的seq_len表示时间窗口大小

1.2.划分训练集和测试集

def split_datatset(X,y,train_ratio=0.8):
    #train_ratio训练集和测试集的比例
    X_len=len(X)#样本长度
    train_data_len=int(X_len*train_ratio)
    X_train=X[:X_len*train_ratio]
    y_train=y[:X_len*train_ratio]
    X_test=X[X_len*train_ratio:]
    y_test=y[X_len*train_ratio:]
    return X_train,X_test,y_train,y_test

1.3.创建批数据

def create_batch_data(X,y,batch_size=32,data_type=1):
    #data_type=1:测试集，data_type=2:训练集
    if(data_type==1):
        dataset=tf.Dataset.from_tensor_slices(tf.constant(X),tf.constant(y))#将X，y以元组的形式封装起来
        test_batch_data=dataset.batch(batch_size)#构建批数据
        return test_batch_data
    else:
        dataset=tf.Dataset.from_tensor_slices(tf.constant(X),tf.constant(y))
        train_batch_data=dataset.cache(),shuffle(1000).batch(batch_size)
        return train_batch_data
#cache():训练集储存到内存中，提高运行速度
#shuffle(1000):打乱batch

2.模型训练

2.1.模型搭建

#导包
import tensorflow as tf
from tensorflow.keras import Sequential,layers,utils

model=keras.Sequential()
model.add(
    keras.layers.LSTM(units=8,input_shape=(seq_len,features))
         )
model.add(keras.layers.Dense(units=1))#定义全连接层

2.2.定义回调（权重文件）

#定义checkpoint，保存权重文件
file_path='文件名'
checkpoint_callback=tf.keras.callbacks.ModelCheckpoint(filepath=file_path,
                                                       monitor='loss',
                                                       mode='min',
                                                       save_best_only=True,
                                                       save_weights_only=True
                                                          )

2.3.模型编译

model.compile(optimizer='adam',loss='mae')

2.4.模型训练

history=model.fit(train_batch_data,
                  epochs=10,
                  validation_data=test_batch_data,
                  callbacks=[checkpoint_callback]#可以看作是一个回调函数
                   )

3.模型验证

test_pred=model.predict(X_test.verbose=1)
#模型评价
score=r2_score(y_test,test_pred)

或者我们也可以将结果进行可视化

plt.figure(figsize=(16,8))
plt.plot(y_test,label='True_label')
plt.plot(test_pred,label='Pred label')
plt.title('True vs Pred')
plt.legend(loc='best')
plt.show()

4.模型预测

这里我想预测20个数据点，就可以设置times=20
sample:test中的最后一个样本（时间步长为20的话，就是20个点组成的数据）
def predict_next(model,sample.times=20):
      temp=list(sample[:,0])
    for i in range(times):
        sample=sample.reshape(1,seq_len,1)#转化为符合LSTM输入格式
        prep=model.predict(sample)
        value=prep.tolist()[0][0]#ndarray->list->value
        temp.append(value)
        sample=np.array(temp[i+1:i+seq_len+1])#滑动窗口,并注意转化成ndarray类型
    return temp

我们看到下图，蓝色部分为真实值，黄色部分为预测值