我有一个问题,是关于pybrain做时间序列回归的。我计划使用pybrain中的LSTM层来训练和预测一个时间序列。
我在下面的链接中找到了一个示例代码
Request for example: Recurrent neural network for predicting next value in a sequence
在上面的例子中,网络经过训练后能够预测序列。但问题是,网络通过将所有的顺序数据一次输入到输入层来接收它们。例如,如果训练数据每个有10个特征,则10个特征将同时馈入10个输入节点。
据我所知,这不再是一个时间序列预测,对吗?既然每个功能输入网络的时间没有区别?如果我在这方面错了,请纠正我。
因此,我试图实现的是一个只有一个输入节点和一个输出节点的递归网络。输入节点是所有时间序列数据将在不同时间步顺序馈送的地方。网络将被训练在输出节点再现输入。
你能建议或指导我建立我提到的网络吗? 提前非常感谢。
我已经测试过LSTM用Theano预测一些时间序列。我发现对于一些光滑的曲线,它可以被正确地预测。但是对于一些曲折的曲线。很难预测。具体条款如下: Predict Time Sequence with LSTM
预测结果如下:
(来源:fuzihao.org)
我认为在这一页的底部会有一个更好(更简单/更清晰)的例子:
http://pybrain.org/docs/tutorial/netmodcon.html
基本上,一旦按所示设置,它将自动跟踪输入的过去历史(直到和除非您点击重置)。从文档中:
http://pybrain.org/docs/api/structure/networks.html?highlight=recurrentnetwork#pybrain.structure.networks.RecurrentNetwork
在调用.reset()之前,网络会跟踪所有以前的输入,因此允许使用定期连接和回溯的层
所以是的,不需要每次都向网络重新呈现所有过去的输入。
您可以使用一个输入节点和一个输出节点来训练LSTM网络,以便进行时间序列预测,如下所示:
首先,作为一个好的实践,让我们使用Python3的打印功能:
然后,制作一个简单的时间序列:
[1、1、1、2、2、2、1、1、1、2、2、2、1、1、2、2、2]
现在将这个时间序列放入一个受监控的数据集中,其中每个样本的目标是下一个样本:
使用1个输入节点、5个LSTM单元和1个输出节点构建一个简单的LSTM网络:
培训网络:
绘制错误图(注意,在这个简单的玩具示例中,我们在同一个数据集上进行测试和训练,这当然不是真正的项目所要做的!)以下内容:
现在请网络预测下一个样本:
(以上代码基于^{} 和PyBrain documentation中的示例)
相关问题 更多 >
编程相关推荐