时间序列预测 |训练模型

Question

所以我加载并预处理了我的数据以进行时间序列预测。我已经创建了一个模型，但现在我不确定如何实际训练它。

代码如下：

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，但没有关于如何专门为时间序列预测训练模型的深入教程。

Answer 1

尚不清楚您的数据框的外观以及您记录它的原因。但在这里，我将向您展示如何使用LSTM 来训练预测模型。 假设以下是您的数据：

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

然后你出于某种原因使用log：

log_df_People = np.log(df.People)

然后你像这样换档：

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

然后你创建你的模型：

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'])

最后你训练你的模型几个时期：

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

但通常你应该考虑使用滑动窗口进行预测，但这需要更多的描述。