利用LSTM预测时间序列未来........_lstm用前29天预测未来三天

ps.非常感谢各位大佬对这篇帖子的关注，我也没想到会这么多评论  - -！

已经写了很久啦，因为工作原因，后边可能不会来维护和回复评论了，谢谢。

这篇帖子只是提出了一点 lstm 的时间序列预测方法和疑问，抛砖引玉！

---

 

< ----------------- 正文-------------------------------- >

 

最近在做一个东西，用到了LSTM时间序列预测。。。

网上搜索吗，比如别人做过的比较典型的有：

1.  https://blog.csdn.net/aliceyangxi1987/article/details/73420583  

2. https://www.cnblogs.com/mtcnn/p/9411597.html

3. https://cloud.tencent.com/developer/article/1083338  等等

他们都是利用已有的一条序列，当成Y ，再利用它往前滑动t-1构造一条序列X，

fit（X，Y）来做。以及后边利用测试集看表现啊 评估啊  等等。。。

然而，没有一个能够说利用LSTM如何真正预测未来的？？？

（因为按照他们这种做法，预测未来是没有这个所谓的 一个X  来喂给训练好的模型的？）

 

《《《-----------------------------滑动窗口的LSTM方法预测：----------------------------------------------------------------------------》》》

前面描述的都是比如一个时间序列的value为

Y ：[10, 20, 30, 40, 50, 60, 70, 80, 90]  他们会为其构造一条X  按照逐个t-1时刻的X对应逐个t时刻Y值。

X：[0, 10, 20, 30, 40, ......]      具体参考上述链接做法。

然后再利用构造的X，Y训练lstm模型，达到预测的目地。

但是这个做法，无法预测未来。

 

经过搜索，以上方法是数据LSTM中sequence to sequence 的方法的。一对一，适用于中英文翻译方法！！

或者一对一预测等等，不是预测未来的方法～ 所以前面那些链接中，应该是对sequence to sequence有点误会！

因此，我们应该采用滑动窗口的数据预测未来一个数据，sequence to vector的，可以根据前面几个预测下一个，比如下面：

比如X[t-3,t-2,t-1]   预测X[t],  此时X[t]可以当作标签Y

针对上述数据我们可以构造 (左为X， 右为Y )：

[10,20,30], [40]

[20,30,40], [50]

[30,40,50], [60]  

.......................

这样依赖，利用多个滑动窗口（此处为3）来预测下一个数据的目地。。。。

预测未来如何逐个添加？ 答：唯有预测一个，往后添加一个，再加入预测。

缺点：误差会积累！

 

《《《-----------------------------滑动窗口的LSTM方法python实例：------------------------------------------------》》》

from numpy import array
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense
 
 
'''
下面的split_sequence（）函数实现了这种行为，并将给定的单变量序列分成多个样本，其中每个样本具有指定的时间步长，输出是单个时间步。
'''
# split a univariate sequence into samples
def split_sequence(sequence, n_steps):
    X, y = list(), list()
    for i in range(len(sequence)):
        # find the end of this pattern
        end_ix = i + n_steps
        # check if we are beyond the sequence
        if end_ix > len(sequence)-1:
            break
        # gather input and output parts of the pattern
        seq_x, seq_y = sequence[i:end_ix], sequence[end_ix]
        X.append(seq_x)
        y.append(seq_y)
    return array(X), array(y)
 
 
if __name__ == '__main__':
 
    # define input sequence
    raw_seq = [10, 20, 30, 40, 50, 60, 70, 80, 90]
    print raw_seq
    # choose a number of time steps
    n_steps = 3
    # split into samples
    X, y = split_sequence(raw_seq, n_steps)
    print X, y
    # reshape from [samples, timesteps] into [samples, timesteps, features]
    n_features = 1
    X = X.reshape((X.shape[0], X.shape[1], n_features))
    # define model
    model = Sequential()
    model.add(LSTM(50, activation='relu', input_shape=(n_steps, n_features)))  # 隐藏层，输入，特征维
    model.add(Dense(1))
    model.compile(optimizer='adam', loss='mse')
    # fit model
    model.fit(X, y, epochs=300, batch_size=1, verbose=2)  # 迭代次数，批次数，verbose决定是否显示每次迭代
    # demonstrate prediction
    x_input = array([70, 80, 90])
    x_input = x_input.reshape((1, n_steps, n_features))
    yhat = model.predict(x_input, verbose=0)
    print x_input, yhat
    print(yhat)

预测未来?

比如[70,80,90] 预测一个假如为[100]

可以继续构造[80,90,100], 预测下一个。。。。

等等....

本文方法灵感参考转载于：

https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/