基于LSTM实现多输入多输出单步预测（案例+源码）

基于LSTM实现多输入多输出单步预测（案例+源码）

引用

CSDN

1.

https://blog.csdn.net/sinat_41858359/article/details/140091523

本文将详细介绍如何使用LSTM（长短期记忆网络）实现多输入多输出的单步预测。具体来说，我们将使用一个包含多个特征变量的数据集，通过LSTM模型同时预测多个标签的未来值。

一、引言

单站点多变量输入多变量输出单步预测问题----基于LSTM实现。

• 多输入就是输入多个特征变量
• 多输出就是同时预测出多个标签的结果
• 单步就是利用过去N天预测未来1天的结果

二、实现过程

2.1 读取数据集

import pandas as pd

df = pd.read_csv("data.csv", parse_dates=["Date"], index_col=[0])
print(df.shape)
print(df.head())
fea_num = len(df.columns)  

2.2 划分数据集

import numpy as np
import matplotlib.pyplot as plt

# 拆分数据集为训练集和测试集
test_split = round(len(df) * 0.20)
df_for_training = df[:-test_split]
df_for_testing = df[-test_split:]

# 绘制训练集和测试集的折线图
plt.figure(figsize=(10, 6))
plt.plot(df_for_training.index, df_for_training.values, label='Training Data')
plt.plot(df_for_testing.index, df_for_testing.values, label='Testing Data')
plt.xlabel('Year')
plt.ylabel('Passenger Count')
plt.title('International Airline Passengers - Training and Testing Data')
plt.legend()
plt.show()  

共5203条数据，8:2划分：训练集4162，测试集1041。

2.3 归一化

from sklearn.preprocessing import MinMaxScaler

# 将数据归一化到 0~1 范围（整体一起做归一化）
scaler = MinMaxScaler(feature_range=(0,1))
df_for_training_scaled = scaler.fit_transform(df_for_training)
df_for_testing_scaled = scaler.transform(df_for_testing)  

2.4 构造LSTM数据集（时序-->监督学习）

def createXY(data, win_size, target_feature_idxs):
    X, Y = [], []
    for i in range(len(data) - win_size):
        X.append(data[i:(i + win_size), :])
        Y.append(data[i + win_size, target_feature_idxs])
    return np.array(X), np.array(Y)

win_size = 12 # 时间窗口
target_feature_idxs = [0, 1, 2, 3, 4] # 指定待预测特征列索引
trainX, trainY = createXY(df_for_training_scaled, win_size, target_feature_idxs)
testX, testY = createXY(df_for_testing_scaled, win_size, target_feature_idxs)
print("训练集形状:", trainX.shape, trainY.shape)
print("测试集形状:", testX.shape, testY.shape)

# 将数据集转换为 LSTM 模型所需的形状（样本数，时间步长，特征数）
trainX = np.reshape(trainX, (trainX.shape[0], win_size, fea_num))
testX = np.reshape(testX, (testX.shape[0], win_size, fea_num))
print("trainX Shape-- ",trainX.shape)
print("trainY Shape-- ",trainY.shape)
print("testX Shape-- ",testX.shape)
print("testY Shape-- ",testY.shape)  

滑动窗口设置为12：

• 取出df_for_training_scaled第【1-12】行第【1-5】列的12条数据作为trainX[0]，
• 取出df_for_training_scaled第【13】行第【1-5】列的1条数据作为trainY[0]；
• 依此类推。最终构造出的训练集数量（4150）比划分时候的训练集数量（4162）少一个滑动窗口（12）。

trainX是一个（4150，12，5）的三维数组，三个维度分布表示（样本数量，步长，特征数），每一个样本比如trainX[0]是一个（12，5）二维数组表示（步长，特征数），这也是LSTM模型每一步的输入。
trainY是一个（4150，5）的二维数组，二个维度分布表示（样本数量，标签数），每一个样本比如trainY[0]是一个（5，）一维数组表示（标签数，），这也是LSTM模型每一步的输出。

2.5 建立模拟合模型

from keras.models import Model
from keras.layers import Input, LSTM, Dense

# 输入维度
input_shape = Input(shape=(trainX.shape[1], trainX.shape[2]))
# LSTM层
lstm_layer = LSTM(128, activation='relu')(input_shape)
# 全连接层
dense_1 = Dense(64, activation='relu')(lstm_layer)
dense_2 = Dense(32, activation='relu')(dense_1)
# 输出层
output_1 = Dense(1, name='Open')(dense_2)
output_2 = Dense(1, name='High')(dense_2)
output_3 = Dense(1, name='Low')(dense_2)
output_4 = Dense(1, name='Close')(dense_2)
output_5 = Dense(1, name='AdjClose')(dense_2)
model = Model(inputs = input_shape, outputs = [output_1, output_2, output_3, output_4, output_5])
model.compile(loss='mse', optimizer='adam')
model.summary()  

这是一个多输入多输出的 LSTM 模型，接受包含12个时间步长和5个特征的输入序列，在经过一层128个神经元的 LSTM 层和5个全连接层后，输出5个单独的预测结果，分别是 Open、High、 Low、Close和 AdjClose。

进行训练，这里[trainY[:,i] for i in range(trainY.shape[1])]把原来的trainY做了转置，是一个（5，4150）的二维数组，分别表示（标签数，样本数）。相当于建立了5个通道，每个通道是（4150，）的一维数组。

history = model.fit(trainX, [trainY[:,i] for i in range(trainY.shape[1])], epochs=20, batch_size=32)  

2.6 进行预测

进行预测，上面我们分析过模型每一步的输入是一个（12，5）二维数组表示（步长，特征数），模型每一步的输出是是一个（5，）一维数组表示（标签数，）。

prediction_test = model.predict(testX)  

如果直接model.predict(testX)，testX的形状是（1029，12，5），是一个批量预测，输出prediction_test是一个（5，1029，1）的三维数组，prediction_test[0]就是第一个标签的预测结果，prediction_test[1]就是第二个标签的预测结果...多输出就是同时预测出多个标签的结果。

2.7 预测效果展示

分析一下第一个变量open的效果，i=0：

prediction_train = model.predict(trainX)
prediction_train0 = model.predict(trainX)[0]
prediction_train_copies_array = np.repeat(prediction_train0, fea_num, axis=-1)
pred_train = scaler.inverse_transform(prediction_train_copies_array)[:, 0]

original_train_copies_array = trainY
original_train = scaler.inverse_transform(original_train_copies_array)[:, 0]

print("train Pred Values-- ", pred_train)
print("\ntrain Original Values-- ", original_train)

plt.plot(df_for_training.index[win_size:,], original_train, color = 'red', label = '真实值')
plt.plot(df_for_training.index[win_size:,], pred_train, color = 'blue', label = '预测值')
plt.title('Stock Price Prediction')
plt.xlabel('Time')
plt.xticks(rotation=45)
plt.ylabel('Stock Price')
plt.legend()
plt.show()  

训练集真实值与预测值：

测试集真实值与预测值：

prediction_test = model.predict(testX)
prediction_test0 = model.predict(testX)[0]
prediction_test_copies_array = np.repeat(prediction_test0, fea_num, axis=-1)
pred_test = scaler.inverse_transform(prediction_test_copies_array)[:, 0]

original_test_copies_array = testY
original_test = scaler.inverse_transform(original_test_copies_array)[:, 0]

print("\ntest Original Values-- ", original_test)
plt.plot(df_for_testing.index[win_size:,], original_test, color = 'red', label = '真实值')
plt.plot(df_for_testing.index[win_size:,], pred_test, color = 'blue', label = '预测值')
plt.title('Stock Price Prediction')
plt.xlabel('Time')
plt.xticks(rotation=45)
plt.ylabel('Stock Price')
plt.legend()
plt.show()  

2.8 评估指标

通过上述预测效果展示，我们可以直观地看到模型在训练集和测试集上的表现。为了更准确地评估模型的预测能力，可以计算一些定量的评估指标，如均方误差（MSE）、均方根误差（RMSE）等。