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：480收藏

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); })