Tensorflow LSTM時間序列預測的嘗試
一、網上的資源
網上有不少用LSTM來預測時間序列的資源,如下面:
深度學習(08)_RNN-LSTM迴圈神經網路-03-Tensorflow進階實現
http://blog.csdn.net/u013082989/article/details/73693392
Applying Deep Learning to Time Series Forecasting with TensorFlow
https://mapr.com/blog/deep-learning-tensorflow/
Tensorflow 筆記 RNN 預測時間序列
https://www.v2ex.com/t/339544
tf19: 預測鐵路客運量
http://blog.csdn.net/u014365862/article/details/53869802
但是除錯起來,都很困難!借鑑比較多的是tf19:預測鐵路客運量這篇博文。這篇博文首先是基本上可以執行的。但是訓練模型和測試模型分開,需要通過檔案來傳遞模型引數。而且訓練和測試不能同時執行。因此除錯起來也費了不少功夫!
二、LSTM時間序列預測
1. 用namedtuple來配置模型的超引數。
HParams = namedtuple('HParams', 'seq_size, hidden_size, learning_rate')
這種方式比定義一個Config類好。
2. 構建時間序列預測模型類TS_LSTM
class TS_LSTM(object): def __init__(self, hps): self._X = X = tf.placeholder(tf.float32, [None, hps.seq_size, 1]) self._Y = Y = tf.placeholder(tf.float32, [None, hps.seq_size]) W = tf.Variable(tf.random_normal([hps.hidden_size, 1]), name='W') b = tf.Variable(tf.random_normal([1]), name='b') lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(hps.hidden_size) #測試cost 1.3809 outputs, states = tf.nn.dynamic_rnn(lstm_cell, X, dtype=tf.float32) W_repeated = tf.tile(tf.expand_dims(W, 0), [tf.shape(X)[0], 1, 1]) output = tf.nn.xw_plus_b(outputs, W_repeated, b) self._output = output = tf.squeeze(output) self._cost = cost = tf.reduce_mean(tf.square(output - Y)) self._train_op = tf.train.AdamOptimizer(hps.learning_rate).minimize(cost) @property def X(self): return self._X @property def Y(self): return self._Y @property def cost(self): return self._cost @property def output(self): return self._output @property def train_op(self): return self._train_op
這種方式比用函式定義模型更加方便。@property的設計使得模型用起來更加方便!
模型的關鍵就是:
1). 設定BasicLSTMCell的隱藏節點個數
2). 呼叫dynamic_rnn(lstm_cell,X)來計算輸出outputs
3). 呼叫xw_plus_b將outputs計算為單個的output
模型中各變數的維度如下:(batch_size=100, seq_size=3, hidden_size=6)
- X定義為[None, hps.seq_size, 1]是因為dynamic_rnn的輸入針對的是二維影象樣本的輸入,因此,必須多定義一個1的維度,傳入的實際應該為100*3*1。
- Y的維度維持與影象標籤輸入資料維度相同,傳入的實際應該為100*3。
- W為6*1
- b為1*1
- outputs為100*3*6
- W_repeated為100*6*1,其變化過程6*11*6*1100*6*1。
- output在squeeze之前為100*3*1,squeeze後為100*3
- cost為1*1
3. 訓練和測試函式train_test
def train_test(hps, data):
#訓練資料準備
train_data_len = len(data)*2//3
train_x, train_y = [], []
for i in range(train_data_len - hps.seq_size - 1):
train_x.append(np.expand_dims(data[i : i + hps.seq_size], axis=1).tolist())
train_y.append(data[i + 1 : i + hps.seq_size + 1].tolist())
#測試資料準備
test_data_len = len(data)//3
test_x, test_y = [], []
for i in range(train_data_len,
train_data_len+test_data_len - hps.seq_size - 1):
test_x.append(np.expand_dims(data[i : i + hps.seq_size], axis=1).tolist())
test_y.append(data[i + 1 : i + hps.seq_size + 1].tolist())
with tf.Graph().as_default(), tf.Session() as sess:
with tf.variable_scope('model',reuse=None):
m_train = TS_LSTM(hps)
#訓練
tf.global_variables_initializer().run()
for step in range(20000):
_, train_cost = sess.run([m_train.train_op, m_train.cost],
feed_dict={m_train.X: train_x, m_train.Y: train_y})
#預測
test_cost, output = sess.run([m_train.cost, m_train.output],
feed_dict={m_train.X: test_x, m_train.Y: test_y})
#print(hps, train_cost, test_cost)
return train_cost, test_cost
這裡的關鍵是測試用是訓練模型,我也不知道為什麼好多網路資源都將訓練模型和測試模型分離開來。測試不就是用測試資料來測試訓練模型的效果嗎?因此這裡把2/3的資料劃給訓練,1/3的資料用於測試。自己動手編程式碼時一定要對session.run函式用法和原理熟悉。
4. 主函式(對超引數組合的測試誤差進行比較)
def main():
#讀取原始資料
f=open('鐵路客運量.csv')
df=pd.read_csv(f)
data = np.array(df['鐵路客運量_當期值(萬人)'])
normalized_data = (data - np.mean(data)) / np.std(data)
#測試不同組合的超引數對測試誤差的影響
costs =[]
for seq_size in [4,6,12,16,24]:
for hidden_size in [6,10,20,30]:
print(seq_size, hidden_size)
hps = HParams(seq_size, hidden_size, 0.003)
train_cost, test_cost = train_test(hps, normalized_data)
costs.append([train_cost,test_cost])
進行了初步比較,感覺有兩個:
1)同一個超引數,測試誤差相差挺大。
2)不同超引數,訓練時誤差基本都很小,但是測試誤差相差很大,如何限制學習過程中的過擬合是一個很大的問題。
可以看看我執行的訓練誤差和測試誤差的比較。程式碼已放到csdn下載資源,csdn下載程式碼來!
訓練誤差 測試誤差
[[ 4.04044241e-02 4.97651482e+00]
[ 3.57200466e-02 6.96304381e-01]
[ 2.97380015e-02 1.77482967e+01]
[ 3.09452992e-02 2.62166214e+00]
[ 3.62494551e-02 2.53422332e+00]
[ 2.57663596e-02 1.44900203e+00]
[ 2.24006996e-02 2.28607416e+00]
[ 2.28729844e-02 1.12727535e+00]
[ 2.58173030e-02 1.43265343e+00]
[ 1.48035632e-02 1.05281734e+00]
[ 1.24982912e-02 6.59598827e+00]
[ 1.27354050e-02 1.69984627e+00]
[ 1.60749555e-02 4.03962803e+00]
[ 1.18473349e-02 7.92685986e-01]
[ 7.39684049e-03 6.16959620e+00]
[ 7.60479691e-03 3.01771784e+00]
[ 1.40351299e-02 4.48093843e+00]
[ 7.94599950e-03 3.78614712e+00]
[ 5.50406286e-03 5.83478451e-01]
[ 4.54067113e-03 8.15259743e+00]]