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。
