首页 文章

预测的测试用例数小于LSTM中的实际测试数据

提问于
浏览 次
0

我一直在尝试使用 LSTM Keras. 根据时间序列数据预测订单数量

我将样本数据与训练集分开包含282条记录，而测试集包含82条记录 . 我使用 look back window of 30 来预测测试数据的预测 .

但由于某种原因， predicted dataset contains only 40 记录与预期的测试数据中的71条记录相反 . 它背后的原因是什么？是导致问题的查找窗口？我觉得回头看窗户造成了这个问题 . 但我该如何纠正呢？

It is important to keep such a high look back window

def create_LSTM(trainX,testX,trainY,testY,look_back):
    model = Sequential()
    model.add(LSTM(6, input_shape=(1, look_back),activation= 'relu'))
    model.add(Dense(1))
    model.compile(loss='mean_squared_error', optimizer='RMSProp')
    model.fit(trainX, trainY, epochs=300, batch_size=4, verbose=1)
    trainpredict = model.predict(trainX,batch_size=4)
    testpredict  = model.predict(testX,batch_size=4) 
    testpredict = np.array(testpredict).reshape(len(testpredict),1)      
    print(testpredict) 
    print(len(testpredict))
    return trainpredict,testpredict

我正在使用以下函数为LSTM创建导致实际问题的数据 . 我怎么能纠正它？

def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
    #for i in range(len(dataset)-look_back):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)
python keras time-series lstm

1 回答

  • 0

    create_dataset的问题

    当你得到ndarray的一个元素时，你会失去与该元素相关的等级 . 这是因为如果您对该单个元素感兴趣，那么您不需要保留维 1 ：

    x = np.random.randn(4, 4)
print(x, x.shape)
array([[ 1.37938213, -0.10407424, -0.356567  , -1.5032779 ],
   [-0.53166922,  0.98204605, -0.62052479,  0.99265612],
   [ 0.23046477, -0.17742399,  0.38283412,  0.24104468],
   [-0.78093724,  1.06833765, -1.22112772, -0.78429717]])
(4, 4)

print(x[0:3, 0], x[0:3, 0].shape)
array([ 1.37938213, -0.53166922,  0.23046477])
(3,)

    因此，当您编写 a = dataset[i:(i + look_back), 0] 时，您将获取形状 (samples, features) 的数据集并获得一块形状 (look_back,) . 将所有a添加到 dataX 之后，它变成了形状 (samples, look_back) = (len(dataset) - look_back - 1, look_back) 的ndarray . 但是，LSTM期待形状 (samples, look_back, features) ，在您的情况下 (samples, look_back, 1) .

    如果将其更改为 a = dataset[i:(i + look_back)] ，则事情将开始起作用 . 但是，更好的解决方案是使用 TimeseriesGenerator ：

    from keras.preprocessing.sequence import TimeseriesGenerator

batch_size = 4
look_back = 1
features = 1

d = np.random.randn(364, features)
train = TimeseriesGenerator(d, d,
                            length=look_back,
                            batch_size=batch_size,
                            end_index=282)
test = TimeseriesGenerator(d, d,
                           length=look_back,
                           batch_size=batch_size,
                           start_index=282)

model = Sequential()
model.add(LSTM(6, input_shape=[look_back, features], activation='relu'))
model.add(Dense(1))
model.compile(loss='mse', optimizer='rmsprop')
model.fit_generator(train, epochs=1, verbose=1)
p_train = model.predict_generator(train)
p_test = model.predict_generator(test)

    关于其他部分的进一步评论

    • model.add(LSTM(6, input_shape=(1, look_back),activation= 'relu')) - 输入形状应符合 (length, features) . 在这种情况下， length == features ，事情会有效 . 如果你想要更大的 look_back ，你需要将此代码更新为 input_shape=(look_back, 1) .

    • testpredict = np.array(testpredict).reshape(len(testpredict), 1) - 这是不必要的 . 如果您有一个输出 Model#predict 已输出 ndarray ，其形状已经是 (samples, output_units) = (len(testX), 1) .

    • LSTM(activation='relu') 在处理非常大的序列时通常会导致不稳定 . 将它留在 tanh 通常是个好主意 .

    回复于

相关问题