转换为：https：//stackabuse.com/time-server-prediction-sing-lstm-pytorch-in-python/
顾名思义，时间序列数据是一个随时间变化的数据。例如，24个小时的温度数据，一个月得分的产品价格数据，特定公司股价的年度数据。加入深度学习模型，例如长期内存网络（LSTM）可以在时间序列数据中捕获变化模式，然后预测数据的未来趋势。在本文中，您将看到如何使用LSTM算法来预测时间序列数据。
在我之前的文章中，我展示了如何使用KERAS库并使用LSTM进行时间序列分析来预测未来的股票价格。它将使用Pytorch库，这是最常用的Python库之一。
在继续之前，假设您有一个中间水平的Python编程语言，并且已经安装了Pytorch库。此外，对基本机器学习概念和深度学习概念的理解也将有所帮助。如果您没有安装Pytorch，则可以安装它具有以下pip命令。
我们将使用Seaborn Library的构建数据集。首先，让我们导入所需的库，然后倒入数据集：
让我们打印所有构建的 - 在Seaborn数据库中：
由于已知的原因，您可以在GitHub上下载整个数据包。
我们将使用航班数据集。如果没有网络问题，则可以使用以下代码导入：
数据集有3列：年度，每月和乘客。乘客人数描述了一个月内的乘客总数。数据集的形状：
可以看出，有144行和3列数据集，数据集包含12年的乘客记录。我们的任务是使用前132个月的数据来预测最近12个的乘客数量换句话说，最初的132个月的数据用于培训，最近12个月的数据被用作评估模型的验证。
让我们绘制每个月乘客旅行的频率。下面的脚本添加了默认图形大小。
下一个脚本吸引了乘客的每月频率。
如图所示，旅行的平均人数有很多年增加。一年内旅行的乘客人数波动，这是有道理的，因为在夏季或冬季假期，与其他时间相比，旅客的数量增加在这一年。
数据集列表的类型是对象，如以下代码所示：
输出：
数据处理的第一步是将乘客数量中数据类型的数量转换为
现在，如果打印all_data numpy数组，则应看到以下类型。
接下来，我们将我们的数据集分为训练集和测试集。LSTM算法将在培训集中进行培训。然后将使用该模型来预测测试集。将将预测结果与测试的实际值进行比较。设置评估培训模型的性能。
第一个132条记录将用于训练模型，最后12个记录将用作测试集。以下脚本将数据分为训练集和测试集。
我们的数据集尚未标准化。头几年的乘客总数远小于接下来几年的乘客总数。对于时间序列预测，标准化数据非常重要。设置为最大缩放，以便将数据在某个最小值和最大值范围内进行归一化。我们将使用Sklearn中的MinMaxScaler类。处理模块扩展我们的数据。有关最小/最大变焦实现的更多详细信息，访问此链接。
以下代码使用最小/最大标准器来标准化我们的数据，最小值和最大值分别为-1和1。
这里需要提到的是，数据标准化仅适用于培训数据，不适用于测试数据。如果您使用测试数据的归一化，则可能会有一些来自培训集的信息到测试集。
下一步是将我们的数据集转换为张量，因为Pytorch型号由Tensor训练。在为了将数据集转换为张量的情况下，我们可以简单地将数据集传递到Floatersor对象的构造函数，如下所示。
最终的预处理步骤是将我们的训练数据转换为序列和相应的标签。
您可以根据字段的字段使用任何序列长度。但是，在我们的数据集中，12个序列的长度非常方便，因为我们有每月的数据和每年12个月。如果我们有每日数据，则长度更好的序列是365，即一年中的天数。因此，我们将输入序列的长度设置为训练中的12个，为12。
接下来，我们将定义一个名为create_inout_secorences的函数。此功能将接受原始输入数据，并将返回学费列表。在每个元组中，第一个元素将包括12个项目的列表，与12个项目相对应的乘客人数。月份。
运行此脚本以创建一个列表和相关标签以进行培训：
如果您打印了TRIN_INOUT_SEQ列表的长度，则会发现它包含120个项目。这是因为尽管训练集包含132个元素，但序列长度为12个，这意味着第一个序列由第一个12个项目组成，并且是该序列。第13个项目是第一个序列的标签。相似地，第二个序列从第二项开始，第13个末端，第14个序列是第二个序列的标签，依此类推。
让我们打印tran_inout_seq列表的前5个项目。
输出：
您可以看到每个项目都是一个元组，第一个元素由序列的12个项目组成，该元素的第二个元素包含相应的标签。
我们已经准备好数据了，现在是时候训练我们的模型了。我们定义了一个继承pytorch库的nn.模块类的LSTM类。请请请参见上一篇文章，以查看如何使用Pytorch创建分类模型。将帮助您了解以下代码中发生的情况。
让我总结以上代码中发生的情况。LSTM类的构造函数接受三个参数：
接下来，在构造函数中，我们创建变量hidden_layer_size，lstm，linear和hidden_cell。lstm算法接受三个输入：先前的隐藏状态，先前的单元格状态和当前input.hidden_cell变量包含以前层变量用于创建LSTM和线性层。
在正面通信方法中，input_seq作为参数传递，首先传递给LSTM层。LSTM层的输出是当前时间步骤的隐藏状态和单位状态，并且也有输出。LSTM层的内容传递给线性层。预测乘客的数量存储在预测列表的最后一项中，并返回到呼叫功能。
下一步是创建一个LSTM（）类的对象来定义损失函数和优化器。由于我们正在求解分类问题，我们将使用cross -entropy损失函数。对于优化器功能，我们将使用ADAM Optimizer优化器。
我们将训练我们的型号150次。如果您愿意，您可以尝试更多的次数。每25次后将打印损失。
输出：
现在我们的模型已经接受了培训，我们可以开始预测。由于我们的测试集包括过去12个月的乘客数据，并且我们的模型经过培训以预测12个序列的长度。我们将首先屏幕最后12个值从训练集中。
输出：
最初，test_inputs项目将包括12个项目。在第二次迭代中，最后12个项目将再次用作输入，进行新的预测，然后再次添加到test_inputs列表中。由于测试集有12个元素，因此将执行12次。周期，test_inputs列表将包括24个项目。最后12个项目将是测试集的预测值。
以下脚本用于预测：
如果打印test_inputs列表的长度，您会发现它包含24个项目。可以打印最后12个预测项目，如下所示：
需要再次提及的是，您可能会获得不同的值，具体取决于训练LSTM时使用的重量。
因为我们已经经过了培训数据集，所以还返回了预测值。我们需要将标准化的预测值转换为实际的预测值。我们可以实现归一化值的inverse_transform方法，将标准化值的方法转换为最小/max scaleer对象的inverse_transform方法。
输出：
让我们将预测值与实际值进行比较。请参见以下代码。
输出：
在上面的脚本中，我们创建了一个包含过去12个月的值列表。第一个月的索引值为0，因此上个月的索引值为143。
在下面的脚本中，我们将在过去12个月中绘制144个月的乘客总数和预测乘客的数量。
输出我们的LSTM预测是由橙色线描述的。您可以看到我们的算法不太准确，但它仍然可以捕获过去12个月旅行的乘客总数和偶尔波动的上升趋势。您可以尝试使用。LSTM层中更多的时期和更多神经元，以查看您是否可以获得更好的性能。
为了更好地了解输出，我们可以在过去12个月中绘制实际和预测的乘客人数，如下所示：
同样，预测不是很准确，但是算法可以在未来几个月内捕获乘客的数量，应高于前几个月的趋势，偶尔会波动。
LSTM是解决序列问题的最广泛使用的算法之一。在本文中，我们看到了如何将LSTM时间序列数据用于未来预测。您还查看如何使用Pytorch库实现LSTM，然后如何比较预测结果具有实际值，以了解训练算法的性能。
原始：https：//juejin.cn/post/7096316708008230920