时间序列预测 | 训练模型

我已经加载并预处理了用于时间序列预测的数据。我创建了一个模型,但现在我不确定如何实际训练它。

这是代码:

import tensorflow as tfimport pandas as pdimport numpy as npimport matplotlib as plt# 加载数据df = pd.read_csv("testdata.csv", header=0, parse_dates=[                 0], names=['Month', 'People'], index_col=0)print(df)print(df.shape)# 预处理log_df_People = np.log(df.People)print(log_df_People)log_df_People_diff = log_df_People - log_df_People.shift()print(log_df_People_diff)log_df_People_diff.dropna(inplace=True)# 创建模型model = tf.keras.Sequential()model.add = tf.keras.layers.LSTM(100, activation="relu", input_shape=(2,))model.add = tf.keras.layers.Dropout(rate=0.2)model.add = tf.keras.layers.Dense(1, activation='relu')model.compile(optimizer='adam', loss='mean_absolute_error',              metrics=['accuracy'])# 训练模型?

我做了一些研究,但并没有关于如何具体训练时间序列预测模型的深入教程。


回答:

你的数据框看起来如何以及为什么要对其进行对数处理并不清楚。但在这里我将向你展示如何使用LSTM来训练一个用于预测的模型。假设以下是你的数据:

df = pd.DataFrame({'People':[10,12,11,13,15,18]})

然后你出于某些原因进行了log处理:

log_df_People = np.log(df.People)

然后你这样进行移位:

import tensorflow as tfX = log_df_People.to_numpy()[:-1]Y = log_df_People.shift(-1).to_numpy()[:-1]

然后你创建你的模型:

model = tf.keras.Sequential()model.add = tf.keras.layers.LSTM(100, activation="relu", input_shape=(2,))model.add = tf.keras.layers.Dropout(rate=0.2)model.add = tf.keras.layers.Dense(1, activation='relu')model.compile(optimizer='adam', loss='mean_absolute_error',              metrics=['accuracy'])

最后你训练你的模型若干轮:

model.fit(X,Y,epochs=100)

但一般来说,你应该考虑使用滑动窗口来进行预测,但这需要更多的描述。

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注