前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >使用Tensorflow进行时序预测(TFTS)

使用Tensorflow进行时序预测(TFTS)

作者头像
GavinZhou
发布2018-01-02 16:37:21
2.2K0
发布2018-01-02 16:37:21
举报
文章被收录于专栏:机器学习实践二三事

时序预测是一个经典的话题,应用面也很广; 结合LSTM来做也是一个效果比较好的方式. 这次准备使用TF来进行时序预测,计划写两篇: 1. 使用Tensorflow Time Series模块 2. 使用底层点的LSTM Cell

这就是第一篇啦,Time Series Prediction via TFTS. 来源于此: TFTS介绍,略有加工整理,侵删!

TFTS

Tensorflow Time Series(TFTS)模块是TF1.3版本中引入的,官方是这么介绍的:

TensorFlow Time Series (TFTS) is a collection of ready-to-use classic models (state space, autoregressive), and flexible infrastructure for building high-performance time series models with custom architectures.

地址: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/timeseries, 里面给出了相关的examples.

主要提供三种预测模型: AR、Anomaly Mixture AR、LSTM

Examples

读入数据

你的数据可以是两种: 1. numpy array 2. from a CSV file

对于第一种: TFTS中可以使用NumpyReader

代码语言:javascript
复制
x = np.array(range(1000))
noise = np.random.uniform(-0.2, 0.2, 1000)
y = np.sin(np.pi * x / 100) + x / 200. + noise

data = {
    tf.contrib.timeseries.TrainEvalFeatures.TIMES: x,
    tf.contrib.timeseries.TrainEvalFeatures.VALUES: y,
}

reader = NumpyReader(data)

data是一个dict,’TIMES’和’VALUES’就是字符串的’times’和’values’,所以理论上你写成: data = {'times':x, 'values':y},也是可以的.

对于第二种: TFTS中提供了CSVReader

代码语言:javascript
复制
csv_file_name = './data/period_trend.csv'
reader = tf.contrib.timeseries.CSVReader(csv_file_name)

获得batch数据

对于以上两种Reader(CSVReader和NumpyReader),TFTS提供了对应的read_full()方法,返回的是时间序列的Tensor,read_full()产生读取队列,所以需要启动queue_runner然后才能run出值.

代码语言:javascript
复制
with tf.Session() as sess:
    data = reader.read_full()
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    print(sess.run(data))
    coord.request_stop()

获取batch数据也很简单: TFTS提供RandomWindowInputFn

train_input_fn = tf.contrib.timeseries.RandomWindowInputFn(reader, batch_size=4, window_size=16)

tf.contrib.timeseries.RandomWindowInputFn会在reader的所有数据中,随机选取窗口长度为window_size的序列,并包装成batch_size大小的batch数据。换句话说,一个batch内共有batch_size个序列,每个序列的长度为window_size.

AR Model

AR(Auto Regression)是统计学上的方法,可以参考wiki: https://en.wikipedia.org/wiki/Autoregressive_model,主要的思想是假设当前值与前面出现的值是线性关系. autoregressive model specifies that the output variable depends linearly on its own previous values and on a stochastic term (an imperfectly predictable term).

对于AR模型:TFTS提供了ARRegrerssior

代码语言:javascript
复制
ar = tf.contrib.timeseries.ARRegressor(
        periodicities=200, input_window_size=30, output_window_size=10,
        num_features=1,
        loss=tf.contrib.timeseries.ARModel.NORMAL_LIKELIHOOD_LOSS)

在这里,我们总的window_size为40,input_window_size为30,output_window_size为10,也就是说,一个batch内每个序列的长度为40,其中前30个数被当作模型的输入值,后面10个数为这些输入对应的目标输出值。最后一个参数loss指定采取哪一种损失,一共有两种损失可以选择,分别是NORMAL_LIKELIHOOD_LOSS和SQUARED_LOSS. num_features参数表示在一个时间点上观察到的数的维度。我们这里每一步都是一个单独的值,所以num_features=1。 还有一个比较重要的参数是model_dir,它表示模型训练好后保存的地址,如果不指定的话,就会随机分配一个临时地址.

训练、验证(对训练集进行)、测试:

代码语言:javascript
复制
ar.train(input_fn=train_input_fn, steps=1000)

evaluation_input_fn = tf.contrib.timeseries.WholeDatasetInputFn(reader)
# keys of evaluation: ['covariance', 'loss', 'mean', 'observed', 'start_tuple', 'times', 'global_step']
evaluation = ar.evaluate(input_fn=evaluation_input_fn, steps=1)

(predictions,) = tuple(ar.predict(
        input_fn=tf.contrib.timeseries.predict_continuation_input_fn(
            evaluation, steps=250)))  #预测之后的250步

结果大概是这样:

array_result
array_result

红色是预测的那一段.

LSTM

必须使用TF最新的开发版的代码,就是要保证’rom tensorflow.contrib.timeseries.python.timeseries.estimators import TimeSeriesRegressor’可以导入成功.

代码语言:javascript
复制
estimator = ts_estimators.TimeSeriesRegressor(
      model=_LSTMModel(num_features=1, num_units=128),
      optimizer=tf.train.AdamOptimizer(0.001))

_LSTMModel是一个class,可以直接copy官方给的代码.

接下来的训练、验证、测试和上面的AR模型是一样的.

结果大概是这样的:

LSTM_result
LSTM_result

自己只把关键点写出来了,有需要的可以去看原文,原文比较详细. 代码地址: https://github.com/hzy46/TensorFlow-Time-Series-Examples

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017-11-28 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • TFTS
  • Examples
    • 读入数据
    • 获得batch数据
      • AR Model
        • LSTM
        领券
        问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档