使用 LSTM 一步预测时间序列

Question

我想使用 LSTM 预测股票价格。我已经成功训练了我的模型并保存了它。现在我已经重新加载了它，我将如何使用model.predict() 来预测在数据集中没有对应值的股票价格，因为目前我只能“预测”我的数据集中已经存在的已知值。

Senario：我的模型已经过训练（具有足够高的准确度）并且我已将其保存。我想应用我的模型 (load_model())。我的时间步长设置为 30 天，因此我以适当的格式加载了 30 天的数据（例如 3 月 9 日 - 4 月 8 日），但显然我没有“预期”的输出。我将如何使用model.predict() 来预测未来价值。或者我错过了什么？

上图是我使用model.predict() 来预测数据集中已经存在的价格（数据集有 1150 个数据点）。图表在第 1150 天结束。我如何预测第 1151 天？

模型摘要

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm_1 (LSTM)                (50, 60, 100)             42400     
_________________________________________________________________
dropout_1 (Dropout)          (50, 60, 100)             0         
_________________________________________________________________
lstm_2 (LSTM)                (50, 60)                  38640     
_________________________________________________________________
dropout_2 (Dropout)          (50, 60)                  0         
_________________________________________________________________
dense_1 (Dense)              (50, 20)                  1220      
_________________________________________________________________
dense_2 (Dense)              (50, 1)                   21        
=================================================================
Total params: 82,281
Trainable params: 82,281
Non-trainable params: 0

Answer 1

因此，假设您已经定义、训练和保存了一个类似于以下内容的模型：

# define model
model = Sequential()
model.add(LSTM(...))

# compile model
model.compile(...)

# fit model
model.fit(...)

# save model
model.save('lstm_model.h5')

要使用该模型预测新值，请加载模型并使用一组新输入运行预测。例如，假设您根据 X 预测 Y。它看起来像下面这样：

from keras.models import load_model
# load model
model = load_model('lstm_model.h5')

# define input
X = ...

# make predictions
yhat = model.predict(X, verbose=0)
print(yhat) 

看起来您正在处理一个序列回归问题，在该问题中您定义了时间步长并且 LSTM 预测了该值。因此，输入 X 只是进行预测yhat 所需的数据/序列。它不包括之前的所有训练数据。例如，如果您训练 LSTM 的输入介于 1...1500 之间，那么 X 将是 1501。

请记住在推理数据上使用您对训练数据使用的任何数据准备过程。