LSTM单步时间序列预测文章（联系方式在此文章）：

(511条消息) 时间序列预测——LSTM模型（附代码实现）_lstm预测模型_噜噜啦啦咯的博客-CSDN博客

模型原理

长短时记忆网络（ Long short-term memory，LSTM ）是一种循环神经网络 (Recurrent neural network, RNN)的特殊变体，具有“门”结构，通过门单元的逻辑控制决定数据是否更新或是选择丢弃，克服了 RNN 权重影响过大、容易产生梯度消失和爆炸的缺点，使网络可以更好、更快地收敛，能够有效提高预测精度。LSTM 拥有三个门， 分别为遗忘门、输入门、输出门，以此决定每一时刻信息记忆与遗忘。输入门决定有多少新的信息加入到细胞当中，遗忘门控制每一时刻信息是否会被遗忘，输出门决定每一时刻是否有信息输出。其基本结构如图所示。

公式如下：

（1）遗忘门

（2）输入门

（3）单元

（4）输出门

（5）最终输出

模型实现

导入所需要的库

import matplotlib.pyplot as plt
from pandas import read_csv
from pandas import DataFrame
from pandas import concat
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM,Dense,Dropout
from numpy import concatenate
from sklearn.metrics import mean_squared_error,mean_absolute_error,r2_score
from math import sqrt

设置随机数种子

import tensorflow as tf
tf.random.set_seed(2)

导入数据集

data = pd.read_csv(r'C:\Users\26255\Desktop\data.csv')

数据可视化

数据处理

归一化处理

# 特征的归一化处理
scaler = MinMaxScaler(feature_range=(0, 1))
scaled = scaler.fit_transform(values)

将时间序列转换为监督学习问题

#定义series_to_supervised()函数
#将时间序列转换为监督学习问题
def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):
    
   #Frame a time series as a supervised learning dataset.
   #Arguments:
   #data: Sequence of observations as a list or NumPy array.
   #n_in: Number of lag observations as input (X).
   #n_out: Number of observations as output (y).
   #ropnan: Boolean whether or not to drop rows with NaN values.
   #Returns:
   #Pandas DataFrame of series framed for supervised learning.
   
    n_vars = 1 if type(data) is list else data.shape[1]
    df = DataFrame(data)
    cols, names = list(), list()
    # input sequence (t-n, ... t-1)
    for i in range(n_in, 0, -1):
        cols.append(df.shift(i))
        names += [('var%d(t-%d)' % (j+1, i)) for j in range(n_vars)]
        # forecast sequence (t, t+1, ... t+n)
    for i in range(0, n_out):
        cols.append(df.shift(-i))
        if i == 0:
            names += [('var%d(t)' % (j+1)) for j in range(n_vars)]
        else:
            names += [('var%d(t+%d)' % (j+1, i)) for j in range(n_vars)]
    # put it all together
    agg = concat(cols, axis=1)
    agg.columns = names
    # drop rows with NaN values
    if dropnan:
        agg.dropna(inplace=True)
    return agg

设置步数

n_in = 10
n_out = 10
n_out_fin = n_out - 1
reframed = series_to_supervised(scaled, n_in, n_out)

划分训练集和测试集

values = reframed.values
trainNum = int(len(values) * 0.7)  # 350
train = values[:trainNum, :]  # 前350
test = values[trainNum:, :]  # 后150

改变数据维度

print(train_X.shape, train_y.shape)
print(test_X.shape, test_y.shape)

搭建LSTM模型

初始化LSTM模型

设置神经元核心的个数，迭代次数，优化器等等

# define model
model = Sequential()
model.add(LSTM(100, return_sequences=True))
model.add(Dropout(0.1))
model.add(LSTM(100))
model.add(Dropout(0.1))
model.add(Dense(n_out))
model.compile(optimizer='adam', loss='mse', metrics=['mse'])
history = model.fit(train_X, train_y, epochs=100, batch_size=10, validation_data=(test_X, test_y), verbose=2,shuffle=False)

画出损失函数

模型预测

y_predict = model.predict(test_X)

评价指标

# 回归评价指标
# calculate MSE 均方误差
mse = mean_squared_error(inv_y, inv_y_predict[:, n_out_fin])
# calculate RMSE 均方根误差
rmse = sqrt(mean_squared_error(inv_y, inv_y_predict[:, n_out_fin]))
# calculate MAE 平均绝对误差
mae = mean_absolute_error(inv_y, inv_y_predict[:, n_out_fin])
# calculate R square
r_square = r2_score(inv_y, inv_y_predict[:, n_out_fin])
print('均方误差MSE: %.6f' % mse)
print('均方根误差RMSE: %.6f' % rmse)
print('平均绝对误差MAE: %.6f' % mae)
print('R_square: %.6f' % r_square)

滚动预测

传入最新收集到的数据，进行往后滚动预测，得到未来数据，与原数据进行拼接并将其可视化

获得置信区间

可以计算预测误差的标准差，然后利用该标准差计算置信区间。

标准差

标准差是指一组数据的离散程度的度量，它表示数据集中的数据偏离平均值的程度。标准差越大，表示数据越分散；标准差越小，表示数据越集中。

计算标准差的具体步骤如下：

1. 计算平均值。将数据集中的所有数值相加，然后除以数据的个数，即可得到平均值。

2. 计算每个数据与平均值的差值。将数据集中的每个数值与平均值进行减法运算，得到每个数据与平均值之间的差值。

3. 计算差值的平方。将第二步得到的差值依次平方，即得到每个数据与平均值之间的差值的平方。

4. 计算平方和。将第三步得到的差值的平方相加，即得到平方和。

5. 计算方差。将平方和除以数据的个数，即得到方差。

6. 计算标准差。将方差的平方根即为标准差。

用公式表示，假设有N个数据，数据集为{x1, x2, ..., xn}，平均值为μ，标准差为σ，则：

μ = (x1 + x2 + ... + xn) / N

σ = sqrt[( (x1 - μ)^2 + (x2 - μ)^2 + ... + (xn - μ)^2 ) / N]

其中，sqrt表示平方根运算。

具体步骤

1. 选择合适的回归模型。

2. 计算模型的预测误差。使用模型来预测每天结果，然后将实际结果数量与预测结果数量进行比较，计算误差。计算每日的误差后，可以计算误差的标准差，该标准差代表了模型的预测误差大小。

3. 计算置信区间。使用标准正态分布表来查找95%置信水平对应的z值，通常是1.96。然后将该值乘以预测误差的标准差，从而得到置信区间的半宽度。最后，将半宽度加上和减去预测结果的平均值，即可得到95%置信区间的上限和下限。

举个例子，如果使用线性回归模型拟合数据，得到每日报告结果数量的预测值为y=10+2x，其中x是从2023年1月1日到3月1日的天数。如果在过去的记录中，每日报告结果数量的标准差为s=3，那么95%置信区间的上限和下限可以计算如下：

z=1.96 （95%置信水平对应的z值）halfwidth = z * s = 1.96 * 3 = 5.88 （置信区间的半宽度）预测结果的平均值为y=10+2*60=130置信区间的上限为130+5.88=135.88置信区间的下限为130-5.88=124.12

因此，该模型预测2023年3月1日报告结果数量的95%置信区间为[124.12, 135.88]。这意味着，我们可以合理地期望2023年3月1日的报告结果数量在这个区间内。

应用实例

将其应用在此数据集中，得到预测误差的标准差：

std_error = np.std(train_y - model.predict(train_X))
print("Standard deviation of prediction error: ", std_error)

计算得到的标准差即为预测误差的标准差。

最后，我们可以利用该标准差来计算置信区间。假设我们希望计算95%的置信区间，我们可以使用scipy.stats.norm库中的ppf()函数来计算正态分布的分位数，然后计算置信区间的上下限：

from scipy.stats import norm

z = norm.ppf(0.975)
lower_bound = future_predict[:, n_out_fin] - z * std_error
upper_bound = future_predict[:, n_out_fin] + z * std_error

print("95% confidence interval: ({:.2f}, {:.2f})".format(lower_bound[0], upper_bound[0]))

其中，ppf()函数的参数0.975表示95%置信度对应的分位数。计算得到的上下限即为置信区间。