使用keras构建带time_step的LSTM模型
2019-08-13 本文已影响0人
yangy_fly
之前使用TensorFlow构建LSTM模型时，被各种shape烦死。最近尝试了keras，发现好用很多，但网上看了很多教程，里面的time_step都是为1，在实际的时序数据预测中几乎无任何实用价值，因此自己琢磨了两天后，写了测试代码，作为备忘。同时希望能对其他朋友起到帮助作用，相互学习交流。
测试数据说明
数据使用2010至2014年北京的空气污染数据，网上有很多下载的地方，可以自行搜索下载。包括以下几个字段：'No', 'year', 'month', 'day', 'hour', 'pm2.5', 'DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir'。其中pm2.5即为我们需要预测的字段，我设置的time_step =72。即，使用过去72小时的检测数据及污染数据，预测下一个小时的污染情况。
1.No 行数
2.year 年
3.month 月
4.day 日
5.hour 小时
6.pm2.5 PM2.5浓度
7.DEWP 露点
8.TEMP 温度
9.PRES 大气压
10.cbwd 风向
11.lws 风速
12.ls 累积雪量
13.lr 累积雨量
image.png
数据预处理
1、处理日期字段，将年月日字段合并为一个字段
2、新建一列y，作为预测数据的原始数据（后续会做处理）
3、删除nan的数据行
4、将原始数据中字符串数据转化为数值数据，然后对所有数据进行归一化
其中对y进行归一化的scalar要保存，用于对最后的预测结果值进行转化，将归一化后的值转化为真实值
日期处理
# 格式化日期
def parse_date(year, month, day, hour):
if len(str(month)) == 1:
month = '0' + str(month)
if len(str(day)) == 1:
day = '0' + str(day)
return datetime.strptime(str(year)+str(month)+str(day)+str(hour), '%Y%m%d%H').strftime('%Y-%m-%d %H:00:00') # 格式化日期
数据转化(部分代码)
# 处理原始数据为合适的数据
def make_train_test_data(path, ts, train_end, datasetsCount=None):
air_data = pd.read_csv(path, header='infer')
air_data['date'] = air_data.apply(lambda r: parse_date(r['year'], r['month'], r['day'], r['hour']), axis=1) # 处理日期
# 对风向cbwd进行encode
encoder = LabelEncoder()
air_data['cbwd'] = encoder.fit_transform(air_data['cbwd'])
# 转化数据type
air_data[['pm2.5', 'DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir']] = air_data[
['pm2.5', 'DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir']].astype('float64')
air_data = air_data.dropna().reset_index(drop=True)
# 使用过去N=ts小时数据预测未来一个小时的污染
air_data['y'] = air_data['pm2.5']
# 根据传入的参数缩减数据集
if datasetsCount:
air_data = air_data[:datasetsCount]
# 切分训练和预测集
train_all = air_data[:train_end]
test_all = air_data[train_end:]
# 训练数据进行归一化
train_x = scalar_x.fit_transform(train_all[['pm2.5', 'DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir']])
train_y = scalar_y.fit_transform(train_all[['y']])
# 预测数据归一化
test_x = scalar_x.transform(test_all[['pm2.5', 'DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir']])
test_y = scalar_y.transform(test_all[['y']])
- 此时数据进行了归一化，在训练集上fit后，在预测集上进行transform，有利于提高模型效果
训练及预测数据构建
- 将原来的一维数据转化为适合lstm的三维数据，shape=(batch_size, time_step, feature_dim)
- 思路（使用滑窗法）：
1、训练数据记为X，预测数据记为Y，行号记为i；
2、根据设置的time_step数，合并相应行数的X，转为一个(None, feature_dim*time_step)的二维数据X'；
3、根据time_step调整后的Y读取当前行号i+time_step后的index对应的Y的值；
4、对新的X'进行reshape，将其reshape为(sample_size, time_step, feature_dim)，该数据可直接进入model进行使用。
# 构建带time_step的数据集
# ############# 构建训练和预测集 ###################
ts_train_x = np.array([])
ts_train_y = np.array([])
ts_test_x = np.array([])
ts_test_y = np.array([])
# 构建训练数据集
print('训练数据的原始shape：', train_x.shape)
for i in range(train_x.shape[0]):
if i + ts == train_x.shape[0]:
break
ts_train_x = np.append(ts_train_x, train_x[i: i + ts, :])
ts_train_y = np.append(ts_train_y, train_y[i +ts])
# 构建预测数据集
print('预测数据的原始shape：', test_x.shape)
for i in range(test_x.shape[0]):
if i + ts == test_x.shape[0]:
break
ts_test_x = np.append(ts_test_x, test_x[i:i + ts, :])
ts_test_y = np.append(ts_test_y, test_y[i + ts])
return ts_train_x.reshape((train_x.shape[0] - ts, ts, train_x.shape[1])), ts_train_y, \
ts_test_x.reshape((test_x.shape[0] - ts, ts, test_x.shape[1])), ts_test_y, scalar_y
-
数据展示
image.png
模型构建
- 使用keras构建序列模型是比较简单的。初始化为Sequential后，add需要的LSTM层即可。因为该模型是回归预测，因此最后add一个Dense(1)，整个model即构建完成了。
- 若担心过拟合，可在layer之间增加Dropout层
- 唯一的疑问是，增加的LSTM层在倒数第一个layer之前，return_sequences一定要置为True(默认为False)，这是后面需要搞懂的地方？？
# 构建model
def build_model(ts, fea_dim):
model = Sequential()
model.add(LSTM(64, input_shape=(ts, fea_dim), activation='sigmoid', return_sequences=True, dropout=0.01))
model.add(LSTM(128, activation='sigmoid', return_sequences=True, dropout=0.01))
model.add(Dropout(rate=0.01))
model.add(LSTM(128, activation='sigmoid', dropout=0.01))
model.add(Dense(1))
model.compile(loss='mse', optimizer=Adam(lr=0.002, decay=0.01))
return model
预测效果展示（归一化的预测结果mse=0.001675884，真实值的mse=1606.236424，总的来说，效果不算特别好）
-
红线是预测曲线，黄色线是真实数据，从趋势看，拟合的还行，但从具体预测值上看，还有很大进步空间
image.png
思考&可改进部分
- 为什么LSTM层在倒数第一个layer之前，return_sequences一定要置为True(默认为False)，否则报错。相关解释见本人另一篇备忘 https://www.jianshu.com/p/7f0c7d3d67af
- 本次构建model默认是cpu的并行，也未考虑在spark集群使用的问题
完整代码如下
# coding:utf-8
# 归一化部分做了优化，训练和预测数据分别归一化，训练集做fit，然后对测试集进行transform
# 同时删减了冗余代码
import pandas as pd
import numpy as np
from datetime import datetime
import tensorflow as tf
from tensorflow import keras
from keras.models import Sequential
from keras.layers import GRU, LSTM, Dense, Dropout
from keras.optimizers import Adam
from sklearn.preprocessing import MinMaxScaler, LabelEncoder
import matplotlib.pyplot as plt
from sklearn.metrics import mean_squared_error
import os
# 格式化日期
def parse_date(year, month, day, hour):
if len(str(month)) == 1:
month = '0' + str(month)
if len(str(day)) == 1:
day = '0' + str(day)
return datetime.strptime(str(year) + str(month) + str(day) + str(hour), '%Y%m%d%H').strftime(
'%Y-%m-%d %H:00:00') # 格式化日期
# 构建训练集、预测集，训练和预测分别transform
def make_train_test_data(path, ts, train_end, datasetsCount=None):
air_data = pd.read_csv(path, header='infer')
air_data['date'] = air_data.apply(lambda r: parse_date(r['year'], r['month'], r['day'], r['hour']), axis=1) # 处理日期
# 对风向cbwd进行encode
encoder = LabelEncoder()
air_data['cbwd'] = encoder.fit_transform(air_data['cbwd'])
# 转化数据type
air_data[['pm2.5', 'DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir']] = air_data[
['pm2.5', 'DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir']].astype('float64')
air_data = air_data.dropna().reset_index(drop=True)
# 使用过去N=ts小时数据预测未来一个小时的污染
air_data['y'] = air_data['pm2.5']
# 根据传入的参数缩减数据集
if datasetsCount:
air_data = air_data[:datasetsCount]
# 切分训练和预测集
train_all = air_data[:train_end]
test_all = air_data[train_end:]
# 训练数据进行归一化
train_x = scalar_x.fit_transform(train_all[['pm2.5', 'DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir']])
train_y = scalar_y.fit_transform(train_all[['y']])
# 预测数据归一化
test_x = scalar_x.transform(test_all[['pm2.5', 'DEWP', 'TEMP', 'PRES', 'cbwd', 'Iws', 'Is', 'Ir']])
test_y = scalar_y.transform(test_all[['y']])
# ############# 构建训练和预测集 ###################
ts_train_x = np.array([])
ts_train_y = np.array([])
ts_test_x = np.array([])
ts_test_y = np.array([])
# 构建训练数据集
print('训练数据的原始shape：', train_x.shape)
for i in range(train_x.shape[0]):
if i + ts == train_x.shape[0]:
break
ts_train_x = np.append(ts_train_x, train_x[i: i + ts, :])
ts_train_y = np.append(ts_train_y, train_y[i + ts])
# 构建预测数据集
print('预测数据的原始shape：', test_x.shape)
for i in range(test_x.shape[0]):
if i + ts == test_x.shape[0]:
break
ts_test_x = np.append(ts_test_x, test_x[i: i + ts, :])
ts_test_y = np.append(ts_test_y, test_y[i + ts])
return ts_train_x.reshape((train_x.shape[0] - ts, ts, train_x.shape[1])), ts_train_y, \
ts_test_x.reshape((test_x.shape[0] - ts, ts, test_x.shape[1])), ts_test_y, scalar_y
# 构建model
def build_model(ts, fea_dim):
model = Sequential()
model.add(LSTM(64, input_shape=(ts, fea_dim), activation='sigmoid', return_sequences=True, dropout=0.01))
model.add(LSTM(128, activation='sigmoid', return_sequences=True, dropout=0.01))
model.add(Dropout(rate=0.01))
model.add(LSTM(128, activation='sigmoid', dropout=0.01))
model.add(Dense(1))
model.compile(loss='mse', optimizer=Adam(lr=0.002, decay=0.01))
return model
# keras的使用学习脚本
if __name__ == '__main__':
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
# 超参设置
batch_size = 60
data_dim = 8
time_step = 72
# 归一化
scalar_x = MinMaxScaler(feature_range=(0, 1))
scalar_y = MinMaxScaler(feature_range=(0, 1))
# 获取训练和预测数据
# 使用365天的数据作为原始训练集
# 只使用10000小时的数据作为总数据
x_train, y_train, x_test, y_test, scalar_Y = make_train_test_data('/Users/getui/Data/rnn_air.csv', 72, 8760, 10000)
print(x_train.shape, y_train.shape, x_test.shape, y_test.shape)
# 构建model
lstm_model = build_model(time_step, data_dim)
# 训练model，使用20%的数据作为验证集
lstm_model.fit(x_train, y_train, epochs=50, batch_size=60, validation_split=0.2)
# 预测结果
pred_y = lstm_model.predict(x_test)
# 转换为真实值
pred_y_inverse = scalar_Y.inverse_transform(pred_y)
true_y_inverse = scalar_Y.inverse_transform(y_test.reshape(len(y_test), 1))
# 归一化的y的mse
minmax_mse = mean_squared_error(y_pred=pred_y, y_true=y_test)
# 真实值的mse
true_mse = mean_squared_error(y_pred=pred_y_inverse, y_true=true_y_inverse)
print('归一化后的mse和真实mse分别是：', minmax_mse, true_mse)
# 画图观察
fig = plt.figure(figsize=(20, 8))
plt.subplot(1, 1, 1)
plt.plot(pred_y_inverse, 'r', label='prediction')
plt.subplot(1, 1, 1)
plt.plot(true_y_inverse, 'y', label='true')
plt.legend(loc='best')
plt.show()
！！本人在简书上写的内容均为本人原创,转载需经本人同意,欢迎转载分享,请注明出处！！
