使用LSTM模型进行时间序列数据预测的完整示例

使用LSTM模型进行时间序列数据预测的完整示例

引用

CSDN

1.

https://blog.csdn.net/C7211BA/article/details/142555359

LSTM（长短期记忆网络）是一种特殊的循环神经网络（RNN），特别适合处理和预测时间序列数据。本文将通过一个具体的Python代码示例，展示如何使用LSTM模型对包含线性趋势、周期性和噪声的复杂时间序列数据进行预测。

代码功能概述

这段代码展示了如何使用 LSTM（长短期记忆网络）模型对复杂的时间序列数据进行训练和预测。代码的主要功能分为以下几个步骤：

1. 生成复杂的时间序列数据：通过将线性趋势、周期性正弦波和随机噪声相结合，生成模拟的时间序列数据。
2. 数据预处理：使用 MinMaxScaler 将数据归一化，转换为适合 LSTM 模型的格式。
3. 数据集准备：将时间序列数据转换为特定的输入输出格式，使用过去的 10 个时间步作为输入，预测下一个时间步的数据。
4. 构建和训练 LSTM 模型：通过 Keras 构建一个两层 LSTM 网络，并使用均方误差损失函数和 Adam 优化器进行模型训练。
5. 模型预测：使用训练好的模型对输入数据进行预测，并将预测值反归一化为原始范围。
6. 可视化：绘制时间序列数据和模型预测结果的对比图，展示模型的预测效果。

最终，该模型可以用于对复杂时间序列数据进行预测，并可视化预测结果与真实数据的对比。

完整代码实现

import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
from tensorflow.keras.layers import Input

# 1. 生成更加复杂的时间序列数据
np.random.seed(42)
time_steps = np.arange(100)
trend = 0.05 * time_steps  # 线性趋势
seasonal = 10 * np.sin(0.2 * time_steps)  # 周期性
noise = np.random.normal(scale=2, size=100)  # 噪声
data = trend + seasonal + noise

# 2. 可视化生成的时间序列数据
plt.figure(figsize=(10, 6))
plt.plot(time_steps, data, label="Complex Time Series Data")
plt.xlabel("Time Steps")
plt.ylabel("Value")
plt.title("Complex Time Series Data")
plt.show()

# 3. 数据预处理
scaler = MinMaxScaler(feature_range=(0, 1))
data_scaled = scaler.fit_transform(data.reshape(-1, 1))

# 4. 准备数据：将时间序列数据转换为 LSTM 可用的形状
def create_dataset(data, time_step=5):
    X, y = [], []
    for i in range(len(data) - time_step):
        X.append(data[i:(i + time_step), 0])
        y.append(data[i + time_step, 0])
    return np.array(X), np.array(y)

time_step = 10  # 使用过去10个时间步来预测下一个时间步
X, y = create_dataset(data_scaled, time_step)
X = X.reshape(X.shape[0], X.shape[1], 1)

# 5. 构建 LSTM 模型
model = Sequential()
model.add(Input(shape=(time_step, 1)))  # 使用 Input 层来定义输入形状
model.add(LSTM(50, return_sequences=True))
model.add(LSTM(50))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 6. 训练模型
model.fit(X, y, epochs=100, batch_size=16, verbose=1)

# 7. 用模型进行预测
train_predict = model.predict(X)
train_predict = scaler.inverse_transform(train_predict.reshape(-1, 1))

# 8. 可视化真实数据和预测数据
plt.figure(figsize=(10, 6))
plt.plot(time_steps[time_step:], data[time_step:], label="True Data")
plt.plot(time_steps[time_step:], train_predict, label="Predicted Data", color="red", linestyle="--")
plt.xlabel("Time Steps")
plt.ylabel("Value")
plt.title("LSTM Time Series Prediction")
plt.legend()
plt.show()

通过运行上述代码，读者可以直观地看到LSTM模型如何学习并预测复杂时间序列数据的模式。这个示例不仅展示了LSTM模型的基本用法，还提供了完整的数据生成、预处理和可视化流程，非常适合初学者学习和参考。