时间序列预测训练模型

Question

因此，我加载并预处理了我的数据，以便进行时间序列预测。我已经建立了一个模型，但现在我不知道如何真正地训练它。

以下是代码：

import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib as plt

# Loading Data
df = pd.read_csv("testdata.csv", header=0, parse_dates=[
                 0], names=['Month', 'People'], index_col=0)

print(df)
print(df.shape)

# Preprocessing
log_df_People = np.log(df.People)
print(log_df_People)
log_df_People_diff = log_df_People - log_df_People.shift()
print(log_df_People_diff)
log_df_People_diff.dropna(inplace=True)

# Creating the Model
model = tf.keras.Sequential()
model.add = tf.keras.layers.LSTM(100, activation="relu", input_shape=(2,))
model.add = tf.keras.layers.Dropout(rate=0.2)
model.add = tf.keras.layers.Dense(1, activation='relu')
model.compile(optimizer='adam', loss='mean_absolute_error',
              metrics=['accuracy'])

# Training the Model?

我做了一些研究，但没有关于如何具体训练时间序列预测模型的深入教程。

Answer 1

目前还不清楚您的数据文件是什么样子，以及为什么要记录它。但是在这里，我将向您展示如何使用LSTM来训练预测模型。让我们假设以下是您的数据：

df = pd.DataFrame({'People':[10,12,11,13,15,18]})

然后你做log是出于某种原因：

log_df_People = np.log(df.People)

然后你就像这样移动：

import tensorflow as tf
X = log_df_People.to_numpy()[:-1]
Y = log_df_People.shift(-1).to_numpy()[:-1]

然后创建模型：

model = tf.keras.Sequential()
model.add = tf.keras.layers.LSTM(100, activation="relu", input_shape=(2,))
model.add = tf.keras.layers.Dropout(rate=0.2)
model.add = tf.keras.layers.Dense(1, activation='relu')
model.compile(optimizer='adam', loss='mean_absolute_error',
              metrics=['accuracy'])

最后，您可以为许多时代训练您的模型：

model.fit(X,Y,epochs=100)

但是通常您应该考虑使用滑动窗口来进行预测，但是这需要更多的描述。