原文鏈接：http://tecdat.cn/?p=6663

此示例中，神經(jīng)網(wǎng)絡(luò)用于使用2011年4月至2013年2月期間的數(shù)據(jù)預(yù)測(cè)都柏林市議會(huì)公民辦公室的能源消耗。

?每日數(shù)據(jù)是通過(guò)總計(jì)每天提供的15分鐘間隔的消耗量來(lái)創(chuàng)建的。

LSTM簡(jiǎn)介

LSTM（或長(zhǎng)期短期存儲(chǔ)器網(wǎng)絡(luò)）允許分析具有長(zhǎng)期依賴(lài)性的順序或有序數(shù)據(jù)。當(dāng)涉及到這項(xiàng)任務(wù)時(shí)，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不足，在這方面，LSTM將用于預(yù)測(cè)這種情況下的電力消耗模式。

與ARIMA等模型相比，LSTM的一個(gè)特殊優(yōu)勢(shì)是數(shù)據(jù)不一定需要是固定的（常數(shù)均值，方差和自相關(guān)），以便LSTM對(duì)其進(jìn)行分析 - 即使這樣做可能會(huì)導(dǎo)致性能提升。

自相關(guān)圖，Dickey-Fuller測(cè)試和對(duì)數(shù)變換

為了確定我們的模型中是否存在平穩(wěn)性：

1. 生成自相關(guān)和部分自相關(guān)圖

2. 進(jìn)行Dickey-Fuller測(cè)試

3. 對(duì)時(shí)間序列進(jìn)行對(duì)數(shù)變換，并再次運(yùn)行上述兩個(gè)過(guò)程，以確定平穩(wěn)性的變化（如果有的話(huà)）

首先，這是時(shí)間序列圖：

據(jù)觀察，波動(dòng)性（或消費(fèi)從一天到下一天的變化）非常高。在這方面，對(duì)數(shù)變換可以用于嘗試稍微平滑該數(shù)據(jù)。在此之前，生成ACF和PACF圖，并進(jìn)行Dickey-Fuller測(cè)試。

自相關(guān)圖

?

部分自相關(guān)圖

?

自相關(guān)和部分自相關(guān)圖都表現(xiàn)出顯著的波動(dòng)性，這意味著時(shí)間序列中的幾個(gè)區(qū)間存在相關(guān)性。

運(yùn)行Dickey-Fuller測(cè)試時(shí)，會(huì)產(chǎn)生以下結(jié)果：

?當(dāng)p值高于0.05時(shí)，不能拒絕非平穩(wěn)性的零假設(shè)。

1. 


2. STD1

3. 954.7248

4. 4043.4302

5. 0.23611754

變異系數(shù)（或平均值除以標(biāo)準(zhǔn)差）為0.236，表明該系列具有顯著的波動(dòng)性。

現(xiàn)在，數(shù)據(jù)被轉(zhuǎn)換為對(duì)數(shù)格式。

雖然時(shí)間序列仍然不穩(wěn)定，但當(dāng)以對(duì)數(shù)格式表示時(shí)，偏差的大小略有下降：

此外，變異系數(shù)已顯著下降至0.0319，這意味著與平均值相關(guān)的趨勢(shì)的可變性顯著低于先前。

1. STD2 = np.std（數(shù)據(jù)集）

2. mean2 = np.mean（數(shù)據(jù)集）

3. CV2 = std2 / mean2 #Cafficient of Variation

1. std2

2. 0.26462445

1. mean2

2. 8.272395

1. CV2

2. 0.031988855

同樣，在對(duì)數(shù)數(shù)據(jù)上生成ACF和PACF圖，并再次進(jìn)行Dickey-Fuller測(cè)試。

自相關(guān)圖

偏自相關(guān)圖

Dickey-Fuller測(cè)試

1. ... print（'\ t％s：％。3f'％（key，value））

2. 1％：-3.440

3. 5％： - ?2.866

4. 10％： - ?2.569

Dickey-Fuller檢驗(yàn)的p值降至0.0576。雖然這在技術(shù)上沒(méi)有輸入拒絕零假設(shè)所需的5％顯著性閾值，但對(duì)數(shù)時(shí)間序列已顯示基于CV度量的較低波動(dòng)率，因此該時(shí)間序列用于LSTM的預(yù)測(cè)目的。

LSTM的時(shí)間序列分析

現(xiàn)在，LSTM模型本身用于預(yù)測(cè)目的。

數(shù)據(jù)處理

首先，導(dǎo)入相關(guān)庫(kù)并執(zhí)行數(shù)據(jù)處理

LSTM生成和預(yù)測(cè)

模型訓(xùn)練超過(guò)100個(gè)時(shí)期，并生成預(yù)測(cè)。

1. ＃生成LSTM網(wǎng)絡(luò)

2. model = Sequential（）

3. model.add（LSTM（4，input_shape =（1，previous）））

4. model.fit（X_train，Y_train，epochs = 100，batch_size = 1，verbose = 2）

5. 


6. ＃生成預(yù)測(cè)

7. trainpred = model.predict（X_train）

8. 


9. ＃將預(yù)測(cè)轉(zhuǎn)換回正常值

10. trainpred = scaler.inverse_transform（trainpred）

11. 


12. ＃calculate RMSE

13. trainScore = math.sqrt（mean_squared_error（Y_train [0]，trainpred [：，0]））

14. 


15. ＃訓(xùn)練預(yù)測(cè)

16. trainpredPlot = np.empty_like（dataset）

17. 


18. ＃測(cè)試預(yù)測(cè)

19. 


20. ＃繪制所有預(yù)測(cè)

21. inversetransform，= plt.plot（scaler.inverse_transform（dataset））

準(zhǔn)確性

該模型顯示訓(xùn)練數(shù)據(jù)集的均方根誤差為0.24，測(cè)試數(shù)據(jù)集的均方根誤差為0.23。平均千瓦消耗量（以對(duì)數(shù)格式表示）為8.27，這意味著0.23的誤差小于平均消耗量的3％。

以下是預(yù)測(cè)消費(fèi)與實(shí)際消費(fèi)量的關(guān)系圖：

有趣的是，當(dāng)在原始數(shù)據(jù)上生成預(yù)測(cè)（未轉(zhuǎn)換為對(duì)數(shù)格式）時(shí)，會(huì)產(chǎn)生以下訓(xùn)練和測(cè)試錯(cuò)誤：

?在每天平均消耗4043千瓦的情況下，測(cè)試分?jǐn)?shù)的均方誤差占總?cè)站牧康慕?0％，并且與對(duì)數(shù)數(shù)據(jù)產(chǎn)生的相比非常高。

也就是說(shuō)，重要的是要記住，使用1天的先前數(shù)據(jù)進(jìn)行預(yù)測(cè)，即Y表示時(shí)間t的消耗，而X表示時(shí)間t-1的消耗，由代碼中的前一個(gè)變量設(shè)置先前。讓我們來(lái)看看這增加到個(gè)究竟10和50天。

10天

＃

50天

我們可以看到測(cè)試誤差在10天和50天期間顯著降低，并且考慮到LSTM模型在預(yù)測(cè)時(shí)考慮了更多的歷史數(shù)據(jù)，消耗的波動(dòng)性得到了更好的捕獲。

鑒于數(shù)據(jù)是對(duì)數(shù)格式，現(xiàn)在可以通過(guò)獲得數(shù)據(jù)的指數(shù)來(lái)獲得預(yù)測(cè)的真實(shí)值。

例如，testpred變量用（1，-1）重新整形：

1. testpred.reshape（1，-1）

2. array（[[7.7722197,8.277015,8.458941,8.455311,8.447589,8.445035，

3. ......

4. 8.425287,8.404881,8.457063,8.423954,7.98714,7.9003944，

5. 8.240862,8.41654,8.423854,8.437414,8.397851,7.9047146]]，

6. dtype = float32）

結(jié)論

對(duì)于這個(gè)例子，LSTM被證明在預(yù)測(cè)電力消耗波動(dòng)方面非常準(zhǔn)確。此外，以對(duì)數(shù)格式表示時(shí)間序列允許平滑數(shù)據(jù)的波動(dòng)性并提高LSTM的預(yù)測(cè)準(zhǔn)確度。

?

參考文獻(xiàn)

1.在python中使用lstm和pytorch進(jìn)行時(shí)間序列預(yù)測(cè)

?

2.python中利用長(zhǎng)短期記憶模型lstm進(jìn)行時(shí)間序列預(yù)測(cè)分析

?

3.使用r語(yǔ)言進(jìn)行時(shí)間序列（arima，指數(shù)平滑）分析

?

4.r語(yǔ)言多元copula-garch-模型時(shí)間序列預(yù)測(cè)

?

5.r語(yǔ)言copulas和金融時(shí)間序列案例

?

6.使用r語(yǔ)言隨機(jī)波動(dòng)模型sv處理時(shí)間序列中的隨機(jī)波動(dòng)

?

7.r語(yǔ)言時(shí)間序列tar閾值自回歸模型

?

8.r語(yǔ)言k-shape時(shí)間序列聚類(lèi)方法對(duì)股票價(jià)格時(shí)間序列聚類(lèi)

?

9.python3用arima模型進(jìn)行時(shí)間序列預(yù)測(cè)

?