keras搭建多層LSTM時間序列預測模型

參考基於 Keras 的 LSTM 時間序列分析——以蘋果股價預測為例

######################匯入庫########################## import os os。environ［‘KERAS_BACKEND’］=‘tensorflow’ import keras import tensorflow as tf from keras import optimizers#最佳化器 from keras。models import Sequential， load_model from keras。layers import Dense， LSTM from keras。layers import Dropout

1層LSTM

def lstm_single（x，y，hidden_cell，epoch，batch_size，verbose）： #verbose=0不顯示訓練進度，verbose=2顯示訓練進度和每個epoch所需時間 model = Sequential（） model。add（LSTM（hidden_cell， input_shape=（x。shape［1］，1））） model。add（Dense（1）） adam=optimizers。Adam（learning_rate=0。01） model。compile（loss=‘mean_squared_error’， optimizer=adam） model。fit（x，y， epochs=epoch， batch_size=batch_size， verbose=verbose） #loss=model。history。history［‘loss’］#記錄模型模型的損失函式值 return model

4層LSTM

def lstm_4layer（x，y，hidden_cell，epoch，batch_size，verbose）： model = Sequential（） model。add（LSTM（units=hidden_cell，return_sequences=True，input_shape=（x。shape［1］， 1））） model。add（Dropout（0。2））#可有可無， model。add（LSTM（units=hidden_cell，return_sequences=True）） model。add（Dropout（0。2）） model。add（LSTM（units=hidden_cell，return_sequences=True）） model。add（Dropout（0。2）） model。add（LSTM（units=hidden_cell）） model。add（Dropout（0。2）） model。add（Dense（units=1）） adam=optimizers。Adam（learning_rate=0。01） model。compile（loss=‘mean_squared_error’， optimizer=adam） #上面兩行可以用下面這行代替，但是下面這行不能修改學習率 #model。compile（optimizer=‘adam’，loss=‘mean_squared_error’） model。fit（x，y，epochs=epoch，batch_size=batch_size，verbose=verbose） return model

引數初始化

‘’‘變數初始化’‘’ import numpy as np x_train=np。random。random（size=（300，5，1）） y_train=np。random。random（300） x_test=np。random。random（size=（100，5，1）） y_test=np。random。random（100） hidden_cell，epoch，batch_size，verbose=5，100，1，0 #hidden_cell是隱層節點數，epoch是最大訓練次數，batch_size我說不清，只知batch_size越大訓練越快，但是精度下降，verbose=0不會顯示訓練過程，=1或者=2會顯示訓練過程batch_size和verbose有預設值

模型訓練

x=x_train；y=y_train hidden_cell，epoch，batch_size，verbose=5，100，1，0 model=lstm_4layer（（x，y，hidden_cell，epoch，batch_size，verbose））

繪製模型訓練過程損失值變化情況

plt。plot（model。history。history［‘loss’］） plt。xlabel（‘epochs’） plt。ylabel（‘loss’）

使用訓練好的模型預測

ypre=model。predict（x_test，y_test）來源：