深度学习时间序列预测案例

原创

mob64ca12d0371b 2025-02-23 07:09:58 ©著作权

©著作权归作者所有：来自51CTO博客作者mob64ca12d0371b的原创作品，请联系作者获取转载授权，否则将追究法律责任

深度学习时间序列预测案例入门

时间序列预测是许多领域中的重要任务，涵盖了金融、气象、运输等多个行业。本教程将指导您实现一个简单的深度学习时间序列预测案例。以下是整个流程的概述。

流程概览

步骤	描述
数据收集	收集时间序列数据
数据预处理	清洗和处理数据
特征工程	创建适合模型训练的特征
模型搭建	选择并构建深度学习模型
模型训练	训练模型
模型评估	评估模型性能
预测	使用模型进行时间序列预测

1. 数据收集

首先，您需要收集时间序列数据，通常可以是 CSV 文件。用 pandas 库读取数据：

import pandas as pd

# 读取时间序列数据
data = pd.read_csv('time_series_data.csv')
print(data.head())  # 打印前几行数据

2. 数据预处理

在这个步骤中，我们需要处理缺失值和归一化数据。

# 检查是否有缺失值
print(data.isnull().sum())

# 填补缺失值（例如，用前一个有效值填补）
data.fillna(method='ffill', inplace=True)

# 数据归一化
from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0, 1))
data['value'] = scaler.fit_transform(data['value'].values.reshape(-1,1))  # 对目标值归一化

3. 特征工程

创建用于模型训练的特征，通常我们需要将时间序列数据转化为监督学习的格式。

import numpy as np

def create_dataset(data, time_step=1):
    X, y = [], []
    for i in range(len(data) - time_step - 1):
        X.append(data[i:(i + time_step), 0])
        y.append(data[i + time_step, 0])
    return np.array(X), np.array(y)

# 设置时间步长
time_step = 10
X, y = create_dataset(data['value'].values.reshape(-1, 1), time_step)

# 重塑输入数据为 [样本数, 时间步长, 特征数]
X = X.reshape(X.shape[0], X.shape[1], 1)

4. 模型搭建

选择一个合适的深度学习模型，例如 LSTM。

from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout

# 构建 LSTM 模型
model = Sequential()
model.add(LSTM(50, return_sequences=True, input_shape=(time_step, 1)))
model.add(Dropout(0.2))
model.add(LSTM(50, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(1))  # 输出层
model.compile(optimizer='adam', loss='mean_squared_error')  # 编译模型

5. 模型训练

通过历史数据训练模型。

# 训练模型
model.fit(X, y, epochs=100, batch_size=32)

6. 模型评估

评估模型性能，通常使用均方根误差（RMSE）。

from sklearn.metrics import mean_squared_error

# 预测
train_predict = model.predict(X)

# 反归一化
train_predict = scaler.inverse_transform(train_predict)

# 计算 RMSE
train_rmse = np.sqrt(mean_squared_error(data['value'][time_step + 1:], train_predict))
print('训练集 RMSE:', train_rmse)

7. 预测

最后，使用训练好的模型进行未来数据的预测。

# 使用模型进行预测
future_data = model.predict(X_future)  # X_future 为新的特征数据
future_data = scaler.inverse_transform(future_data)  # 反归一化

流程示意图

journey
    title 深度学习时间序列预测流程
    section 数据收集
      收集原始数据: 5: 你
    section 数据预处理
      清洗数据: 4: 你
      归一化数据: 4: 你
    section 特征工程
      创建X, y: 4: 你
    section 模型搭建
      LSTM模型搭建: 5: 你
    section 模型训练
      训练模型: 4: 你
    section 模型评估
      RMSE评估模型: 4: 你
    section 预测
      使用模型进行预测: 5: 你

关系图

erDiagram
    TIME_SERIES {
        int id PK
        float value
        datetime timestamp
    }
    MODEL {
        int id PK
        string name
    }
    PREDICTION {
        int id PK
        float predicted_value
        datetime prediction_time
    }
    TIME_SERIES ||..|| MODEL : uses
    MODEL ||..|{ PREDICTION : generates