所用项目和数据集来自: 真实业界数据的时间序列预测挑战 。
1 项目简单介绍
1.1 背景介绍
本项目的目标是建立内部与外部特征结合的多时序协同预测系统。数据集采用来自业界多组相关时间序列(约40组)与外部特征时间序列(约5组)。课题通过进行数据探索,特征工程,传统时序模型探索,机器学习模型探索,深度学习模型探索(RNN,LSTM等),算法结合,结果分析等步骤来学习时序预测问题的分析方法与实战流程。
1.2 数据集说明
** 训练数据有8列:**
– 日期 – 年: int
– 日期 – 月: int
– 日期 – 日: int, 时间跨度为2015年2月1日 – 2016年8月31日
– 当日最高气温 – 摄氏度(下同): float
– 当日最低气温: float
– 当日平均气温: float
– 当日平均湿度: float
– 输出 – float
预测数据没有输出部分,其他与预测一样。时间跨度为2016年9月1日 – 2016年11月30日
训练与预测都各自包含46组数据,每组数据代表不同数据源,组之间的温度与湿度信息一样而输出不同.
2 导入库并读取查看数据
#查看其中一个地区的训练数据
import pandas as pd import numpy as np from keras.models import Sequential from keras.layers import Dense, LSTM, Dropout import matplotlib.pyplot as plt % matplotlib inline import glob, os import seaborn as sns import sys from sklearn.preprocessing import MinMaxScaler
columns = ['YEAR','MONTH','DAY','TEMP_HIG','TEMP_COL','AVG_TEMP','AVG_WET','DATA_COL'] data = pd.read_csv('../input/industry/industry_timeseries/timeseries_train_data/1.csv', names=columns) data.head()
# 查看数据采集区1的数据 plt.figure(figsize=(24,8)) for i in range(8): plt.subplot(8, 1, i+1) plt.plot(data.values[:, i]) plt.title(columns[i], y=0.5, loc='right') plt.show()
3 数据预处理
3.1 时间序列数据转化为监督问题数据
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 = pd.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 together agg = pd.concat(cols, axis=1) agg.columns = names # drop rows with NaN values if dropnan: agg.dropna(inplace=True) return agg
关于上段代码的理解可以参考: How to Convert a Time Series to a Supervised Learning Problem in Python
# 将数据归一化到0-1之间,无量纲化 scaler = MinMaxScaler(feature_range=(0,1)) scaled_data = scaler.fit_transform(example[['DATA_COL','TEMP_HIG','TEMP_COL','AVG_TEMP','AVG_WET']].values) # 将时序数据转换为监督问题数据 reframed = series_to_supervised(scaled_data, 1, 1) #删除无用的label数据 reframed.drop(reframed.columns[[6,7,8,9]], axis=1, inplace=True)
print(redf.info()) redf.head()
3.2 数据集划分及规整
# 数据集划分,选取前400天的数据作为训练集,中间150天作为验证集,其余的作为测试集 train_days = 400 valid_days = 150 values = redf.values train = values[:train_days, :] valid = values[train_days:train_days+valid_days, :] test = values[train_days+valid_days:, :] train_X, train_y = train[:, :-1], train[:, -1] valid_X, valid_y = valid[:, :-1], valid[:, -1] test_X, test_y = test[:, :-1], test[:, -1]
# 将数据集重构为符合LSTM要求的数据格式,即 [样本,时间步,特征] train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1])) valid_X = valid_X.reshape((valid_X.shape[0], 1, valid_X.shape[1])) test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1])) print(train_X.shape, train_y.shape, valid_X.shape, valid_y.shape, test_X.shape, test_y.shape)
(400, 1, 5) (400,) (150, 1, 5) (150,) (27, 1, 5) (27,)
4 建立模型并训练
model1 = Sequential() model1.add(LSTM(50, activation='relu',input_shape=(train_X.shape[1], train_X.shape[2]), return_sequences=True)) model1.add(Dense(1, activation='linear')) model1.compile(loss='mean_squared_error', optimizer='adam')
# fit network LSTM = model.fit(train_X, train_y, epochs=100, batch_size=32, validation_data=(valid_X, valid_y), verbose=2, shuffle=False) # plot history plt.plot(LSTM.LSTM['loss'], label='train') plt.plot(LSTM.LSTM['val_loss'], label='valid') plt.legend() plt.show()
5 模型预测并可视化
plt.figure(figsize=(24,8)) train_predict = model.predict(train_X) valid_predict = model.predict(valid_X) test_predict = model.predict(test_X) plt.plot(values[:, -1], c='b') plt.plot([x for x in train_predict], c='g') plt.plot([None for _ in train_predict] + [x for x in valid_predict], c='y') plt.plot([None for _ in train_predict] + [None for _ in valid_predict] + [x for x in test_predict], c='r') plt.show()
蓝色曲线为真实输出
绿色曲线为训练数据的预测输出
黄色曲线为验证数据集的预测输出
红色曲线为测试数据的预测输出(能看出来模型预测效果还是比较好的)
Be First to Comment