-
Notifications
You must be signed in to change notification settings - Fork 34
/
Copy pathkeras_lstm_prediction_sample_air_passenger.py
133 lines (115 loc) · 4.92 KB
/
keras_lstm_prediction_sample_air_passenger.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
# coding:utf-8
# http://sweng.web.fc2.com/ja/program/python/time-series-forecast-lstm.html
import numpy as np
from keras.models import Sequential, model_from_json
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import RepeatVector
from keras.layers import TimeDistributed
import pandas as pd
from matplotlib import pylab as plt
#from matplotlib import pyplot
import seaborn as sns
import pickle
import os
#%matplotlib inline
sns.set()
unit_num = 100
train_samples = 2048 # #72
input_data_len = 64 #48 #24
output_data_len = 12 #12
future_period = 0 #15 #20 #入力する時系列データから何要素離れたデータを予測するか
epochs = 300 #50 #100 #50
# 学習結果をテストする際のパラメータ
# test_period = 100 # 予測する要素数
# df = pd.read_csv('AirPassengers.csv', index_col='Month', dtype={1: 'float'})
# ts = df['#Passengers']
exchange_rates = None
with open("./exchange_rates.pickle", 'rb') as f:
exchange_rates = pickle.load(f)
# 先頭3000要素のみ使う
exchange_rates = exchange_rates[:3000]
x = [] # train
y = [] # test (answer)
if os.path.exists("./x.pickle"):
with open("./x.pickle", 'rb') as f:
x = pickle.load(f)
with open("./y.pickle", 'rb') as f:
y = pickle.load(f)
else:
# xは24要素のリストを、1要素ずつスライドさせながら72個とっている
# yは同様にして、時系列的にx内の24要素のリストに続く12要素のリストを72個とっている
# 結果的にxとyの同一インデックスのリストは <24の時系列データ(入力データ)> - <入力データに続く12の時系列データ（教師データ）> となっている
for i in range(0, train_samples):
tmpX = []
for j in range(0, input_data_len):
tmpX.append(exchange_rates[i + j])
x.append(tmpX)
tmpY = []
for j in range(0, output_data_len):
tmpY.append(exchange_rates[input_data_len + i + j + future_period])
y.append(tmpY)
with open("./x.pickle", 'wb') as f:
pickle.dump(x, f)
with open("./y.pickle", 'wb') as f:
pickle.dump(y, f)
print("train data preparation finished.")
x = np.array(x)
y = np.array(y)
x = x.reshape((x.shape[0], x.shape[1], 1))
y = y.reshape((y.shape[0], y.shape[1], 1))
m = None
if os.path.exists("./m_nw.json"):
with open("./m_nw.json", "r") as f:
m = model_from_json(f.read())
m.compile(optimizer='adam', loss='mse')
m.load_weights("./m_weights.hd5")
else:
m = Sequential()
# 入力データ数が input_data_len なので、input_shapeの値は(input_data_len,1)
m.add(LSTM(unit_num, activation='relu', input_shape=(input_data_len, 1)))
# 予測範囲は output_data_lenステップなので、RepeatVectoorにoutput_data_lenを指定
m.add(RepeatVector(output_data_len))
m.add(LSTM(unit_num, activation='relu', return_sequences=True))
m.add(TimeDistributed(Dense(1)))
m.compile(optimizer='adam', loss='mse')
#m.fit(x, y, epochs=1000, verbose=1)
m.fit(x, y, epochs=epochs, verbose=1)
with open("./m_nw.json", "w") as f:
f.write(m.to_json())
m.save_weights("./m_weights.hd5")
print("learninged model preparation finshed.")
# input_start_idx:input_start_idx + input_data_lenのデータから
# そこからfuture_period足離れたところ output_data_len個の要素を予測する
input_start_idx = 2800
input = np.array(exchange_rates[input_start_idx:input_start_idx + input_data_len])
input = input.reshape((1, input_data_len, 1))
yhat = m.predict(input)
# 可視化用に、予測結果yhatを、配列predictに格納
predict = []
for i in range(0, output_data_len):
predict.append(yhat[0][i])
# predict = []
# test_start_indx = 2800
# # データ test_start_index + input_data_lenから、1要素ずつスライドさせて得られるtest_period個のリストから、
# # データ test_start_index + input_data_len + future_period から test_period個のデータを予測する
# for idx in range(test_start_indx, test_start_indx + test_period):
# input_start_idx = idx
# input = np.array(exchange_rates[input_start_idx:input_start_idx + input_data_len])
# input = input.reshape((1, input_data_len, 1))
# yhat = m.predict(input)
# # 可視化用に、予測結果yhatを、配列predictに格納
# predict.append(yhat[0][0])
# 比較するために実データをプロット
plt.plot(exchange_rates)
# 予測したデータをプロット
predicted_start_idx = input_start_idx + input_data_len + future_period
xdata = np.arange(predicted_start_idx, predicted_start_idx + output_data_len, 1)
plt.plot(xdata, predict, 'r')
plt.show()
# # 予測したデータをプロット
# # 以下はoutput_data_lenが1である前提での計算式
# predicted_start_idx = test_start_indx + input_data_len + future_period
# xdata = np.arange(predicted_start_idx, predicted_start_idx + test_period, 1)
# plt.plot(xdata, predict, 'r')
# plt.show()