Tensorflow LSTM时间序列预测的尝试

一、网上的资源

网上有不少用LSTM来预测时间序列的资源，如下面：

深度学习（08）_RNN-LSTM循环神经网络-03-Tensorflow进阶实现

http://blog.csdn.net/u013082989/article/details/73693392

Applying Deep Learning to Time Series Forecasting with TensorFlow

https://mapr.com/blog/deep-learning-tensorflow/

Tensorflow 笔记 RNN 预测时间序列

https://www.v2ex.com/t/339544

tf19: 预测铁路客运量

http://blog.csdn.net/u014365862/article/details/53869802

但是调试起来，都很困难！借鉴比较多的是tf19:预测铁路客运量这篇博文。这篇博文首先是基本上可以运行的。但是训练模型和测试模型分开，需要通过文件来传递模型参数。而且训练和测试不能同时运行。因此调试起来也费了不少功夫！

二、LSTM时间序列预测

1. 用namedtuple来配置模型的超参数。

HParams = namedtuple('HParams', 'seq_size, hidden_size, learning_rate')

这种方式比定义一个Config类好。

2. 构建时间序列预测模型类TS_LSTM

class TS_LSTM(object):
    def __init__(self, hps):
        self._X = X = tf.placeholder(tf.float32, [None, hps.seq_size, 1])  
        self._Y = Y = tf.placeholder(tf.float32, [None, hps.seq_size])      
        W = tf.Variable(tf.random_normal([hps.hidden_size, 1]), name='W')  
        b = tf.Variable(tf.random_normal([1]), name='b')  
        lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(hps.hidden_size)  #测试cost 1.3809
 
        outputs, states = tf.nn.dynamic_rnn(lstm_cell, X, dtype=tf.float32)  
        W_repeated = tf.tile(tf.expand_dims(W, 0), [tf.shape(X)[0], 1, 1])  
        output = tf.nn.xw_plus_b(outputs, W_repeated, b)  
        self._output = output = tf.squeeze(output)  
        self._cost = cost = tf.reduce_mean(tf.square(output - Y))  
        self._train_op = tf.train.AdamOptimizer(hps.learning_rate).minimize(cost)  
 
    @property
    def X(self):
        return self._X
 
    @property
    def Y(self):
        return self._Y   
 
    @property
    def cost(self):
        return self._cost
 
    @property
    def output(self):
        return self._output
 
    @property
    def train_op(self):
        return self._train_op

这种方式比用函数定义模型更加方便。@property的设计使得模型用起来更加方便！ 
模型的关键就是： 
1）. 设定BasicLSTMCell的隐藏节点个数 
2）. 调用dynamic_rnn(lstm_cell,X)来计算输出outputs 
3）. 调用xw_plus_b将outputs计算为单个的output 
模型中各变量的维度如下：（batch_size=100, seq_size=3, hidden_size=6） 
- X定义为[None, hps.seq_size, 1]是因为dynamic_rnn的输入针对的是二维图像样本的输入，因此，必须多定义一个1的维度，传入的实际应该为100*3*1。 
- Y的维度维持与图像标签输入数据维度相同，传入的实际应该为100*3。 
- W为6*1 
- b为1*1 
- outputs为100*3*6 
- W_repeated为100*6*1，其变化过程6*11*6*1100*6*1。 
- output在squeeze之前为100*3*1，squeeze后为100*3 
- cost为1*1

3. 训练和测试函数train_test

def train_test(hps, data):
     #训练数据准备
    train_data_len = len(data)*2//3
    train_x, train_y = [], []  
    for i in range(train_data_len - hps.seq_size - 1):  
        train_x.append(np.expand_dims(data[i : i + hps.seq_size], axis=1).tolist())  
        train_y.append(data[i + 1 : i + hps.seq_size + 1].tolist())  
    #测试数据准备    
    test_data_len = len(data)//3
    test_x, test_y = [], []  
    for i in range(train_data_len,
                   train_data_len+test_data_len - hps.seq_size - 1):  
        test_x.append(np.expand_dims(data[i : i + hps.seq_size], axis=1).tolist())  
        test_y.append(data[i + 1 : i + hps.seq_size + 1].tolist())  
 
    with tf.Graph().as_default(), tf.Session() as sess:  
        with tf.variable_scope('model',reuse=None):
            m_train = TS_LSTM(hps)         
 
        #训练
        tf.global_variables_initializer().run()
        for step in range(20000):  
            _, train_cost = sess.run([m_train.train_op, m_train.cost], 
                              feed_dict={m_train.X: train_x, m_train.Y: train_y})  
 
        #预测 
        test_cost, output = sess.run([m_train.cost, m_train.output],
                  feed_dict={m_train.X: test_x, m_train.Y: test_y})  
        #print(hps, train_cost, test_cost)
        return train_cost, test_cost

这里的关键是测试用是训练模型，我也不知道为什么好多网络资源都将训练模型和测试模型分离开来。测试不就是用测试数据来测试训练模型的效果吗？因此这里把2/3的数据划给训练，1/3的数据用于测试。自己动手编代码时一定要对session.run函数用法和原理熟悉。

4. 主函数（对超参数组合的测试误差进行比较）

def main():
    #读取原始数据
    f=open('铁路客运量.csv')  
    df=pd.read_csv(f)   
    data = np.array(df['铁路客运量_当期值(万人)'])  
    normalized_data = (data - np.mean(data)) / np.std(data)     
 
    #测试不同组合的超参数对测试误差的影响
    costs =[]
    for seq_size in [4,6,12,16,24]:
        for hidden_size in [6,10,20,30]:
            print(seq_size, hidden_size)
            hps = HParams(seq_size, hidden_size, 0.003)
            train_cost, test_cost = train_test(hps, normalized_data) 
            costs.append([train_cost,test_cost])

进行了初步比较，感觉有两个： 
1）同一个超参数，测试误差相差挺大。 
2）不同超参数，训练时误差基本都很小，但是测试误差相差很大，如何限制学习过程中的过拟合是一个很大的问题。 
可以看看我运行的训练误差和测试误差的比较。代码已放到csdn下载资源，csdn下载代码来！

     训练误差            测试误差
[[  4.04044241e-02   4.97651482e+00]
 [  3.57200466e-02   6.96304381e-01]
 [  2.97380015e-02   1.77482967e+01]
 [  3.09452992e-02   2.62166214e+00]
 [  3.62494551e-02   2.53422332e+00]
 [  2.57663596e-02   1.44900203e+00]
 [  2.24006996e-02   2.28607416e+00]
 [  2.28729844e-02   1.12727535e+00]
 [  2.58173030e-02   1.43265343e+00]
 [  1.48035632e-02   1.05281734e+00]
 [  1.24982912e-02   6.59598827e+00]
 [  1.27354050e-02   1.69984627e+00]
 [  1.60749555e-02   4.03962803e+00]
 [  1.18473349e-02   7.92685986e-01]
 [  7.39684049e-03   6.16959620e+00]
 [  7.60479691e-03   3.01771784e+00]
 [  1.40351299e-02   4.48093843e+00]
 [  7.94599950e-03   3.78614712e+00]
 [  5.50406286e-03   5.83478451e-01]
 [  4.54067113e-03   8.15259743e+00]]