CNN & LSTM & Conv1D+LSTM 同一数据集预测案例分析

1：前言

利用CNN、LSTM 和Conv1D+LSTM 分别对同一数据集进行预测分析，并用训练集和测试集比较结果；

time_steps 设置为6，经过数据预处理和数据切分处理后，输入特征为4维，利用每个sample中的前5行数据预测第6个数据中的最后一个特征数值，属于多变量预测

代码放在github上，GitHub地址，分为.py文件和.ipynb文件，可以根据运行环境选择运行不同的文件，备注：文件名相同的.py和.ipynb文件代码相同。

算法分为：

• 数据预处理
• 数据切分
• 构建模型
• 测试数据集验证
• 对比预测值和真实值损失图像等

---

2：数据集

数据集为tcs_stock_2018-05-26.csv，包含1331条记录，时间日期从2013-01-01—2018-05-18，包含当日股票的最高值，最低值，开盘价格等数据特征。

 

最终只保留开盘价，最高价，最低价和当日闭市价格，即：Open，High，Low，Close这四个特征，并统一进行归一化处理：

---

3：数据切分

time_step 设置为6，将数据集切分为训练数据集和测试数据集，并转换为array格式

取出其中一个sample的数据查看：

 # 举例：用前5行数据，预测第6行的最后一个数据
# train
 #[[[0.126695 0.12679  0.126    0.126415]
#   [0.1267   0.12724  0.125555 0.12633 ]
#   [0.1265   0.1284   0.125995 0.12806 ]
#   [0.1285   0.1301   0.12809  0.12992 ]
#   [0.13     0.1304   0.129025 0.129485]
#   [0.1295   0.13043  0.12943  0.130025]]

# x_train
# [[[0.126695 0.12679  0.126    0.126415]
#   [0.1267   0.12724  0.125555 0.12633 ]
#   [0.1265   0.1284   0.125995 0.12806 ]
#   [0.1285   0.1301   0.12809  0.12992 ]
#   [0.13     0.1304   0.129025 0.129485]]

# y_train
#[0.130025]

---

4：构建模型

构建CNN模型（其他LSTM和Conv1D+LSTM的build_model函数可在github上查看），下面代码是以CNN为例：

from __future__ import print_function
import math
from keras.models import Sequential
from keras.layers import Dense,Activation,Dropout,Flatten,Conv1D,MaxPooling1D
from keras.layers.recurrent import LSTM
from keras import losses
from keras import optimizers

def build_model(input):
    model = Sequential()
    model.add(Dense(128,input_shape=(input[0],input[1])))
    model.add(Conv1D(filters=112,kernel_size=1,padding='valid',activation='relu',kernel_initializer='uniform'))
    model.add(MaxPooling1D(pool_size=2,padding='valid'))
    model.add(Conv1D(filters=64,kernel_size=1,padding='valid',activation='relu',kernel_initializer='uniform'))
    model.add(MaxPooling1D(pool_size=1,padding='valid'))
    model.add(Dropout(0.2))
    model.add(Flatten())
    model.add(Dense(100,activation='relu',kernel_initializer='uniform'))
    model.add(Dense(1,activation='relu',kernel_initializer='uniform'))
    model.compile(loss='mse',optimizer='adam',metrics=['mae'])
    return model 

model = build_model([5,4,1])

# Summary of the Model
print(model.summary())

 

训练数据预测：

# 训练数据
from timeit import default_timer as timer
start = timer()
history = model.fit(x_train,
                    y_train,
                    batch_size=128,
                    epochs=35,
                    validation_split=0.2,
                    verbose=2)
end = timer()
print(end - start)

训练接和测试集损失函数曲线：

# 返回history
history_dict = history.history
history_dict.keys()


# 画出训练集和验证集的损失曲线

import matplotlib.pyplot as plt

loss_values = history_dict['loss']
val_loss_values = history_dict['val_loss']
loss_values50 = loss_values[0:150]
val_loss_values50 = val_loss_values[0:150]
epochs = range(1, len(loss_values50) + 1)
plt.plot(epochs, loss_values50, 'b',color = 'blue', label='Training loss')
plt.plot(epochs, val_loss_values50, 'b',color='red', label='Validation loss')
plt.rc('font', size = 18)
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.xticks(epochs)
fig = plt.gcf()
fig.set_size_inches(15,7)
#fig.savefig('img/tcstest&validationlosscnn.png', dpi=300)
plt.show()

结果如下：

另外的训练集和测试集误差函数曲线

真实值和测试集的预测值之间的误差图像