python基础教程:Python中利用LSTM模型进行时间序列预测分析的实现 |
您所在的位置:网站首页 › 预测分析的一般程序是什么 › python基础教程:Python中利用LSTM模型进行时间序列预测分析的实现 |
@本文来源于公众号:csdn2299,喜欢可以关注公众号 程序员学府 这篇文章主要介绍了Python中利用LSTM模型进行时间序列预测分析的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧 时间序列模型 时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题,和回归分析模型的预测不同,时间序列模型是依赖于事件发生的先后顺序的,同样大小的值改变顺序后输入模型产生的结果是不同的。 举个栗子:根据过去两年某股票的每天的股价数据推测之后一周的股价变化;根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等 RNN 和 LSTM 模型 时间序列模型最常用最强大的的工具就是递归神经网络(recurrent neural network, RNN)。相比与普通神经网络的各计算结果之间相互独立的特点,RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关。通过这种方法,RNN的计算结果便具备了记忆之前几次结果的特点。 典型的RNN网路结构如下: LSTM模型 LSTM(Long Short-Term Memory)模型是一种RNN的变型,最早由Juergen Schmidhuber提出的。经典的LSTM模型结构如下: Python中实现LSTM模型搭建 Python中有不少包可以直接调用来构建LSTM模型,比如pybrain, kears, tensorflow, cikit-neuralnetwork等 这里我们选用keras。(PS:如果操作系统用的linux或者mac,强推Tensorflow!!!) 因为LSTM神经网络模型的训练可以通过调整很多参数来优化,例如activation函数,LSTM层数,输入输出的变量维度等,调节过程相当复杂。这里只举一个最简单的应用例子来描述LSTM的搭建过程。 应用实例 基于某家店的某顾客的历史消费的时间推测该顾客前下次来店的时间。具体数据如下所示: 消费时间 2015-05-15 14:03:51 2015-05-15 15:32:46 2015-06-28 18:00:17 2015-07-16 21:27:18 2015-07-16 22:04:51 2015-09-08 14:59:56 .. ..具体操作: 原始数据转化 首先需要将时间点数据进行数值化。将具体时间转化为时间段用于表示该用户相邻两次消费的时间间隔,然后再导入模型进行训练是比较常用的手段。转化后的数据如下: 消费间隔 0 44 18 0 54 .. ..2.生成模型训练数据集(确定训练集的窗口长度 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |