問題：航班乘客預測
數據：1949 到 1960 一共 12 年，每年 12 個月的數據，一共 144 個數據，單位是 1000
下載地址
目標：預測國際航班未來 1 個月的乘客數
import numpy import matplotlib.pyplot as plt from pandas import read_csv import math from keras.models import Sequential from keras.layers import Dense from keras.layers import LSTM from sklearn.preprocessing import MinMaxScaler from sklearn.metrics import mean_squared_error %matplotlib inline 導入數據：
# load the dataset dataframe = read_csv('international-airline-passengers.csv', usecols=[1], engine='python', skipfooter=3) dataset = dataframe.values # 將整型變為float dataset = dataset.astype('float32') plt.plot(dataset) plt.show() 從這 12 年的數據可以看到上升的趨勢，每一年內的 12 個月里又有周期性季節性的規律
需要把數據做一下轉化:
將一列變成兩列，第一列是 t 月的乘客數，第二列是 t+1 列的乘客數。
look_back 就是預測下一步所需要的 time steps：
timesteps 就是 LSTM 認為每個輸入數據與前多少個陸續輸入的數據有聯系。例如具有這樣用段序列數據 “…ABCDBCEDF…”，當 timesteps 為 3 時，在模型預測中如果輸入數據為“D”，那么之前接收的數據如果為“B”和“C”則此時的預測輸出為 B 的概率更大，之前接收的數據如果為“C”和“E”，則此時的預測輸出為 F 的概率更大。
# X is the number of passengers at a given time (t) and Y is the number of passengers at the next time (t + 1). # convert an array of values into a dataset matrix def create_dataset(dataset, look_back=1): dataX, dataY = [], [] for i in range(len(dataset)-look_back-1): a = dataset[i:(i+look_back), 0] dataX.append(a) dataY.append(dataset[i + look_back, 0]) return numpy.array(dataX), numpy.array(dataY) # fix random seed for reproducibility numpy.random.seed(7) 當激活函數為 sigmoid 或者 tanh 時，要把數據正則話，此時 LSTM 比較敏感
設定 67% 是訓練數據，余下的是測試數據
# normalize the dataset scaler = MinMaxScaler(feature_range=(0, 1)) dataset = scaler.fit_transform(dataset) # split into train and test sets train_size = int(len(dataset) * 0.67) test_size = len(dataset) - train_size train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:] X=t and Y=t+1 時的數據，並且此時的維度為 [samples, features]
# use this function to prepare the train and test datasets for modeling look_back = 1 trainX, trainY = create_dataset(train, look_back) testX, testY = create_dataset(test, look_back) 投入到 LSTM 的 X 需要有這樣的結構： [samples, time steps, features]，所以做一下變換
# reshape input to be [samples, time steps, features] trainX = numpy.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1])) testX = numpy.reshape(testX, (testX.shape[0], 1, testX.shape[1])) 建立 LSTM 模型：
輸入層有 1 個input，隱藏層有 4 個神經元，輸出層就是預測一個值，激活函數用 sigmoid，迭代 100 次，batch size 為 1
# create and fit the LSTM network model = Sequential() model.add(LSTM(4, input_shape=(1, look_back))) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer='adam') model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2) Epoch 100/100
1s - loss: 0.0020
預測：
# make predictions trainPredict = model.predict(trainX) testPredict = model.predict(testX) 計算誤差之前要先把預測數據轉換成同一單位
# invert predictions trainPredict = scaler.inverse_transform(trainPredict) trainY = scaler.inverse_transform([trainY]) testPredict = scaler.inverse_transform(testPredict) testY = scaler.inverse_transform([testY]) 計算 mean squared error
trainScore = math.sqrt(mean_squared_error(trainY[0], trainPredict[:,0])) print('Train Score: %.2f RMSE' % (trainScore)) testScore = math.sqrt(mean_squared_error(testY[0], testPredict[:,0])) print('Test Score: %.2f RMSE' % (testScore)) Train Score: 22.92 RMSE
Test Score: 47.53 RMSE
畫出結果：藍色為原數據，綠色為訓練集的預測值，紅色為測試集的預測值
# shift train predictions for plotting trainPredictPlot = numpy.empty_like(dataset) trainPredictPlot[:, :] = numpy.nan trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict # shift test predictions for plotting testPredictPlot = numpy.empty_like(dataset) testPredictPlot[:, :] = numpy.nan testPredictPlot[len(trainPredict)+(look_back*2)+1:len(dataset)-1, :] = testPredict # plot baseline and predictions plt.plot(scaler.inverse_transform(dataset)) plt.plot(trainPredictPlot) plt.plot(testPredictPlot) plt.show() 
上面的結果並不是最佳的，只是舉一個例子來看 LSTM 是如何做時間序列的預測的
可以改進的地方，最直接的 隱藏層的神經元個數是不是變為 128 更好呢，隱藏層數是不是可以變成 2 或者更多呢，time steps 如果變成 3 會不會好一點
另外感興趣的筒子可以想想，RNN 做時間序列的預測到底好不好呢 🐌
推薦閱讀 歷史技術博文鏈接匯總
http://www.jianshu.com/p/28f02bb59fe5
也許可以找到你想要的
作者：不會停的蝸牛
鏈接：https://www.jianshu.com/p/38df71cad1f6
來源：簡書
簡書著作權歸作者所有，任何形式的轉載都請聯系作者獲得授權並注明出處。