目录
模型原理
模型实现
导入所需要的库
设置随机数种子
导入数据集
打印前五行数据进行查看
数据处理
归一化处理
查看归一化处理后的数据
将时间序列转换为监督学习问题
打印数据前五行
划分训练集和测试集
查看划分后的数据维度
搭建LSTM模型
得到损失图
模型预测
画图展示
得到预测图像
回归评价指标
需要完整源码的联系QQ：2625520691（知识成果，白嫖勿扰）
模型原理
长短时记忆网络（ Long short-term memory，LSTM ）是一种循环神经网络 (Recurrent neural network, RNN)的特殊变体，具有“门”结构，通过门单元的逻辑控制决定数据是否更新或是选择丢弃，克服了 RNN 权重影响过大、容易产生梯度消失和爆炸的缺点，使网络可以更好、更快地收敛，能够有效提高预测精度。LSTM 拥有三个门， 分别为遗忘门、输入门、输出门，以此决定每一时刻信息记忆与遗忘。输入门决定有多少新的信息加入到细胞当中，遗忘门控制每一时刻信息是否会被遗忘，输出门决定每一时刻是否有信息输出。其基本结构如图所示。
公式如下：
（1）遗忘门
（2）输入门
（3）单元
（4）输出门
（5）最终输出
模型实现
导入所需要的库
import matplotlib.pyplot as pltfrom pandas import read_csvfrom pandas import DataFramefrom pandas import concatfrom sklearn.preprocessing import MinMaxScalerfrom tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import LSTM,Dense,Dropoutfrom numpy import concatenatefrom sklearn.metrics import mean_squared_error,mean_absolute_error,r2_scorefrom math import sqrt
设置随机数种子
import tensorflow as tftf.random.set_seed(2)
导入数据集
qy_data=read_csv(r'C:\Users\HUAWEI\Desktop\abc.csv',parse_dates=['num'],index_col='num')qy_data.index.name='num' #选定索引列
打印前五行数据进行查看
数据处理
# 获取DataFrame中的数据，形式为数组array形式values = qy_data.values# 确保所有数据为float类型values = values.astype('float32')
归一化处理
使用MinMaxScaler缩放器，将全部数据都缩放到[0,1]之间，加快收敛。
scaler = MinMaxScaler(feature_range=(0, 1))scaled = scaler.fit_transform(values)
查看归一化处理后的数据
将时间序列转换为监督学习问题
将时间序列形式的数据转换为监督学习集的形式，例如：[[10],[11],[12],[13],[14]]转换为[[0,10],[10,11],[11,12],[12,13],[13,14]]，即把前一个数作为输入，后一个数作为对应输出。
def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):n_vars = 1 if type(data) is list else data.shape[1]df = DataFrame(data)cols, names = list(), list()# input sequence (t-n, ... t-1)for i in range(n_in, 0, -1):cols.append(df.shift(i))names += [('var%d(t-%d)' % (j + 1, i)) for j in range(n_vars)]# forecast sequence (t, t+1, ... t+n)for i in range(0, n_out):cols.append(df.shift(-i))if i == 0:names += [('var%d(t)' % (j + 1)) for j in range(n_vars)]else:names += [('var%d(t+%d)' % (j + 1, i)) for j in range(n_vars)]# put it all togetheragg = concat(cols, axis=1)agg.columns = names# drop rows with NaN valuesif dropnan:agg.dropna(inplace=True)return aggreframed = series_to_supervised(scaled, 2, 1)
打印数据前五行
划分训练集和测试集
# 划分训练集和测试集values = reframed.valuestrainNum = int(len(values) * 0.7)train = values[:trainNum,:]test = values[trainNum:, :]
查看划分后的数据维度
print(train_X.shape, train_y.shape)print(test_X.shape, test_y.shape)
搭建LSTM模型
初始化LSTM模型，设置神经元核心的个数，迭代次数，优化器等等
model = Sequential()model.add(LSTM(27, input_shape=(train_X.shape[1], train_X.shape[2])))model.add(Dropout(0.5))model.add(Dense(15,activation='relu'))#激活函数pile(loss='mae', optimizer='adam')history = model.fit(train_X, train_y, epochs=95, batch_size=2, validation_data=(test_X, test_y), verbose=2,shuffle=False)
得到损失图
模型预测
y_predict = model.predict(test_X)test_X = test_X.reshape((test_X.shape[0], test_X.shape[2]))
画图展示
plt.figure(figsize=(10,8),dpi=150)plt.plot(inv_y,color='red',label='Original')plt.plot(inv_y_predict,color='green',label='Predict')plt.xlabel('the number of test data')plt.ylabel('Soil moisture')plt.legend()plt.show()
得到预测图像
将测试集的y值和预测值绘制在同一张图表中
回归评价指标
# calculate MSE 均方误差mse=mean_squared_error(inv_y,inv_y_predict)# calculate RMSE 均方根误差rmse = sqrt(mean_squared_error(inv_y, inv_y_predict))#calculate MAE 平均绝对误差mae=mean_absolute_error(inv_y,inv_y_predict)#calculate R squarer_square=r2_score(inv_y,inv_y_predict)print('均方误差MSE: %.6f' % mse)print('均方根误差RMSE: %.6f' % rmse)print('平均绝对误差MAE: %.6f' % mae)print('R_square: %.6f' % r_square)
