您现在的位置是:首页 > 文章详情

在浏览器中进行深度学习:TensorFlow.js (十一)时间序列预测

日期:2019-05-20点击:384

时间序列是对某一个或者一组变量 x(t) 进行观察测量,将在一系列时刻 t1,t2,⋯,tn 所得到的离散数字组成的序列集合。

时间序列预测的机器学习的一种常见应用,例如预测股票和金融产品价格走势, 温度,天气的走势等等

传统的统计学时间序列预测的一些方法包括:

  • AR (自回归模型 Auto Regression)
  • MA (移动平均 Moving Average )
  • ACF/PACF (自相关和偏自相关)
  • ARIMA (AR和MA模型的结合)
  • 卡尔曼滤波

但是这些传统的基于统计的方法用起来并不方便,你可能需要利用ACF/PACF找到一些时序数据的规律然后设置超参数来进行时序数据的分析。

facebook开源的prophet是另一个选择,利用prophet来进行时许数据的分析比较简单,但是本质上,prophet是基于另一盒开源工具pystan,仍然是基于统计来进行时序数据的分析。

利用深度神经网络,例如LSTM,我们也可以很方便的进行时序数据的分析,那么我们就看看如可利用TensorflowJS来进行时序数据的分析吧。

 

数据导入

我们要分析的数据集是一组模拟的航空旅客的数据信息,如下图:

这组数据可以看成一个线性模型和一个震荡模型(正余弦)的叠加,我们看看LSTM能不能学习出这个规律。

async function loadData(path) { return await d3.csv(path); } const airPassagnerData = await loadData( "https://cdn.jsdelivr.net/gh/gangtao/datasets@master/csv/air_passengers.csv" );

数据准备

在数据准备阶段,我们要为我们的LSTM模型准备训练数据。

首先我们对数据进行做一个标准化操作:

 // Normalize data with value change let changeData = []; for (let i = 1; i < airPassagnerData.length; i++) { const item = {}; item.date = airPassagnerData[i].Date; const val = parseInt(airPassagnerData[i].Number); const val0 = parseInt(airPassagnerData[i - 1].Number); item.value = val / val0 - 1; changeData.push(item); }

也就是把绝对数据变成涨跌的百分比,标准化后的数据都在 -1 和 +1之间,反映了数据相对于前一个时间点的涨跌。

然后就是就是准备训练数据了,在准备训练数据之前,我们要理解一下LSTM的输入数据的形状:

LSTM需要一个三维的数据输入,分别对应Batch(数据是一批一批进入神经网络训练),Input是输入数据的size和Timestep,时间。所以我们在构造训练数据的时候,需要针对时间维度创建训练数据。

const STEP_SIZE = 3; const STEP_NUM = 24; const STEP_OFFSET = 1; const TARGET_SIZE = 12; function buildX(data, stepSize, stepNum, stepOffset) { let xData = []; for (let n = 0; n < stepNum; n += 1) { const startIndex = n * stepOffset; const endIndex = startIndex + stepSize; const item = data.slice(startIndex, endIndex).map(obj => obj.value); xData.push(item); } return xData; } function makeTrainData(data, stepSize, stepNum, stepOffset, targetSize) { const trainData = { x: [], y: [] }; const length = data.length; const xLength = stepSize + stepOffset * (stepNum - 1); const yLength = targetSize; const stopIndex = length - xLength - yLength; for (let i = 0; i < stopIndex; i += 1) { const x = data.slice(i, i + xLength); const y = data.slice(i + xLength + 1, i + xLength + 1 + yLength); const xData = buildX(x, stepSize, stepNum, stepOffset); const yData = y; trainData.x.push(xData.map(item => item)); trainData.y.push(yData.map(item => item.value)); } return trainData; } const trainData = makeTrainData( changeData, STEP_SIZE, STEP_NUM, STEP_OFFSET, TARGET_SIZE );

这里我们利用滑动时间窗口的方法来构建训练数据,用到了以下几个参数:

  • STEP_SIZE
    这个是数据窗口的大小,3表示每一个数据包含三个值,数据input维度就是3
  • STEP_NUM 
    这个是一共要走多少步,24表示走24步,那个Time维度就是24
  • STEP_OFFSET
    这个offset决定了时间窗口向前移动的时候,每次走多少个时间单位,我这里取1,也就是每次走一步,这样第一个数据和第二个数据其实存在两个重复值。
  • TARGET_SIZE 
    这个是我要预测的时间长度,12表示预测12个月的数据。

 

模型构建

模型的构建代码如下:

function buildModel() { const model = tf.sequential(); //lstm input layer const hidden1 = tf.layers.lstm({ units: LSTM_UNITS, inputShape: [STEP_NUM, STEP_SIZE], returnSequences: true }); model.add(hidden1); //2nd lstm layer const output = tf.layers.lstm({ units: TARGET_SIZE, returnSequences: false }); model.add(output); model.add( tf.layers.dense({ units: TARGET_SIZE }) ); model.add(tf.layers.activation({ activation: "tanh" })); //compile const rmsprop = tf.train.rmsprop(0.005); model.compile({ optimizer: rmsprop, loss: tf.losses.meanSquaredError }); return model; }

我们的网络一共有两个LSTM层,一个Dense层和一个激活层。优化器我们选择了rmsprop,损失函数是mse,因为我们其实一个回归模型。

利用TensorflowJS提供的模型导出功能,我们可以导出训练好的模型,并利用Netron(一个神经网络可视化工具,支持各种神经网络)来查看我们的模型。

const saveResults = await model.save('downloads://model-name');

我第一次用Netron的时候,TensorflowJS导出的JSON模型有错误,我给作者提了一个Issue,当天修复,赞一个!

模型训练

训练数据和模型都准备好了,下一步我们就开始训练了。

async function trainBatch(data, model) { const metrics = ["loss", "val_loss", "acc", "val_acc"]; const container = { name: "show.fitCallbacks", tab: "Training", styles: { height: "1000px" } }; const callbacks = tfvis.show.fitCallbacks(container, metrics); console.log("training start!"); tfvis.visor(); const epochs = config.epochs; const results = []; const xs = tf.tensor3d(data.x); const ys = tf.tensor2d(data.y); const history = await model.fit(xs, ys, { batchSize: config.batchSize, epochs: config.epochs, validationSplit: 0.2, callbacks: callbacks }); console.log("training complete!"); return history; } const trainData = makeTrainData( changeData, STEP_SIZE, STEP_NUM, STEP_OFFSET, TARGET_SIZE ); const model = buildModel(); model.summary();

为了监控训练的过程,我们使用了tfvis,它在DOM中提供了一个可视化的框架,可以很方便的监控训练过程。

我们发现,从开始到第30的迭代,损失指标有明显的下降,这正是我们希望看到的,30个迭代后,损失下降的不明显。

预测

最后我们可以预测了,注意预测的时候,我们需要把标准化的涨跌数据还原为实际的值。

 async function predict(model, input) { const prediction = await model.predict(tf.tensor([input])).data(); return prediction; } const inputStart = changeData.length - X_LEN; const inputEnd = changeData.length; const input = changeData.slice(inputStart, inputEnd); const predictInput = buildX(input, STEP_SIZE, STEP_NUM, STEP_OFFSET); const prediction = await predict(model, predictInput); // re-constructe predicted value based on change const base = airPassagnerData[airPassagnerData.length-1]; const baseDate = moment(new Date(base.Date)); const baseValue = parseInt(base.Number); let predictionValue = []; let val = baseValue; for( let i = 0; i < prediction.length; i+=1) { const item = {}; const date = baseDate.add(1, 'months'); item.time = moment(date).format('YYYY-MM-DD'); item.value = val + val * prediction[i]; item.isPrediction = "Yes"; predictionValue.push(item); val = item.value; } console.log(predictionValue); let airPassagnerDataWithPrediction = []; chartData.forEach(item => { item.isPrediction = "No"; airPassagnerDataWithPrediction.push(item); }) predictionValue.forEach(item => { airPassagnerDataWithPrediction.push(item); })

上图是训练了一个迭代后的结果。

上图是10个迭代后的结果。

 

上图是我训练30个迭代后的结果,感觉LSTM很好的学习到了趋势和震荡。有兴趣的同学可以去跑我在Codepen上的代码。或者我的gist

总结

本文提供了一个使用LSTM来预测时间序列的例子。有一些经验分享给大家:

  • 对于输入数据,一开始是的size是1,但是训练的效果很差,为了有好的训练效果,把Size增加到3,结果很不错。
  • LSTM会有梯度消失的问题,如果选择合适的网络结构,参数需要有相当的经验和尝试。
  • 在本文的问题中,复杂和更深的网络并不能带来效果的明显提升。
  • 我们利用窗口滑动获取训练数据的过程和卷积操作很像,据说利用CNN也可以达到不错的效果,有兴趣的同学可以试一下。

 

参考

原文链接:https://my.oschina.net/taogang/blog/3051709
关注公众号

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。

持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。

文章评论

共有0条评论来说两句吧...

文章二维码

扫描即可查看该文章

点击排行

推荐阅读

最新文章