LSTM时间序列预测销量

本代码采用python语言写的一个LSTM时间序列来预测销量

from math import sqrt
from numpy import concatenate
from matplotlib import pyplot
from pandas import read_csv
import numpy as np
from pandas import Dataframe
from pandas import concat
from sklearn.preprocessing import MinMaxScaler
from sklearn.preprocessing import LabelEncoder
from sklearn.metrics import mean_squared_error
from keras.models import Sequential
from keras.layers import LSTM Dense DropoutActivation
from keras import optimizers
from keras import regularizers

# 将序列转换为监督学习问题
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 = 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 togethe
    agg = concat（cols axis=1）
    agg.columns = names
    # drop rows with NaN values
    if dropnan:
        agg.dropna（inplace=True）
    return agg


# 加载数据集
dataset = read_csv（‘D:\data\YA\predict2.csv‘ header=0 index_col=0）
values = dataset.values
values=np.log1p（values）
# 确保所有数据是浮动的
values = values.astype（‘float64‘）
# 归一化特征
scaler = MinMaxScaler（feature_range=（0 1））
scaled = scaler.fit_transform（values）
# 指定滞后时间大小
n_hours =1
n_features =3
# 构建监督学习问题
reframed = series_to_supervised（scaled n_hours 1）
print（reframed）

# 分为训练集和测试集
values = reframed.values
n_train_hours = int（len（dataset） * 0.9）
train = values[:n_train_hours :]
test = values[n_train_hours: :]
# 分为输入和输出
n_obs = n_hours * n_features
train_X train_y = train[: :n_obs] train[: -n_features]
test_X test_y = test[: :n_obs] test[: -n_features]
print（train_X.shape len（train_X） train_y.shape）
# 重塑为3D形状 [samples timesteps features]
train_X = train_X.reshape（（train_X.shape[0] n_hours n_features））
test_X = test_X.reshape（（test_X.shape[0] n_hours n_features））
print（train_X.shape train_y.shape test_X.shape test_y.shape）

# 设计网络
model = Sequential（）
model.add（LSTM（128input_shape=（train_X.shape[1] train_X.shape[2]）return_sequences=True））
model.add（Dropout（0.5））
model.add（LSTM（256 return_sequences=False ））
model.add（Dropout（0.5））
model.add（Dense（1））
model.add（Activation（‘sigmoid‘））
adam = optimizers.Adam（lr=0.003 beta_1=0.9 beta_2=0.999 epsilon=1e-08）
model.compile（loss=‘mae‘ optimizer=adam）
# fit network
history = model.fit（train_X train_y epochs=200 batch_size=8 validation_data=（test_X test_y） shuffle=False）
# plot history
pyplot.plot（history.history[‘loss‘] label=‘train‘）
pyplot.plot（history.history[‘val_loss‘] label=‘test‘）
pyplot.legend（）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        4082  2018-12-21 19:46  LSTM时间序列预测\LSTM2.py
     文件        4101  2018-12-21 20:03  LSTM时间序列预测\LSTM时间序列.py
     文件        5452  2018-12-21 19:48  LSTM时间序列预测\zxq.csv
     目录           0  2018-12-26 19:20  LSTM时间序列预测\