RNN 中的时间序列

在本教程中，我们将使用带有时间序列数据的 RNN。时间序列依赖于前一个时间，这意味着过去的值包含网络可以学习的重要信息。时间序列预测是估计任何序列的未来值，例如，股票价格、温度、GDP 等等。

RNN 和时间序列的数据准备有点棘手。目标是预测序列的其他值，我们将使用过去的信息来估计 t +1 时的成本。标签等于输入序列沿一个周期。

其次，输入的数量设置为 1，即每次一个观测值。最后，时间步长等于数值序列。如果我们将时间步长设置为 10，输入序列将返回十个连续的时间。

看下图，我们必须表示左侧的时间序列数据和右侧的虚构输入序列。我们创建一个函数来返回一个数据集，其中包含从 2001 年 1 月到 2016 年 12 月每天的随机值

输出

2016-08-31    -93.459631
2016-09-30    -95.264791
2016-10-31    -95.551935
2016-11-30   -105.879611
2016-12-31   -123.729319
Freq: M, dtype: float64

ts = create_ts(start = '2001', n = 222)

图的右侧显示了所有系列。它始于 2001 年，结束于 2019 年。将所有数据输入网络没有意义；相反，我们必须创建一个长度等于时间步长的数据批次。此批次将是 X 变量。 Y 变量与 X 相同，但偏移一个周期（即，我们想要预测 t+1）。

两个向量具有相同的长度。我们可以在上面图的右侧看到这一点。该线表示 x 输入的十个值，而红点标签具有十个值 y。请注意，标签从 X 向前一个周期开始，并在一个周期后结束。

构建一个 RNN 来分析 TensorFlow 中的时间序列

是时候构建我们的第一个 RNN 来预测序列了。我们必须为模型指定一些超参数（模型的参数，即神经元数量等）。

• 输入数量：1
• 时间步长（时间序列中的窗口）：10
• 神经元数量：120
• 输出数量：1

我们的网络将从 10 天的序列中学习，并包含 120 个循环神经元。我们向模型输入一个输入。

在构建模型之前，我们需要将数据集拆分为训练集和测试集。完整的数据集有 222 个数据点；我们将使用前 201 个点来训练模型，使用最后 21 个点来测试我们的模型。

在我们定义训练集和测试集之后，我们需要创建一个包含批次的对象。在这些批次中，我们有 X 值和 Y 值。请记住，X 值滞后一个周期。因此，我们使用前 200 个观测值，时间步长等于 10。x_batches 对象必须有 20 个大小为 10 或 1 的批次。Y_batches 的大小与 X_batches 对象相同，但周期高于。

步骤 1）创建训练集和测试集

首先，我们将序列转换为 numpy 数组；然后，我们定义窗口（网络将学习的时间数量）、输入、输出数量以及训练集的大小。

之后，我们将数组拆分为两个数据集。

步骤 2）创建函数返回 X_batches 和 y_batches

我们可以创建一个函数，返回两个不同的数组，一个用于 X_batches，一个用于 y_batches。为了方便起见。

让我们创建一个函数来构建批次。

请注意，X_batches 按一个周期记录（我们取值 t-1）。该函数的输出具有三个维度。第一个维度等于批次数，第二个维度是窗口大小，最后一个维度是输入数量。

时间序列的棘手之处在于正确选择数据点。对于 X 数据点，我们选择来自 t = 1 到 t =200 的观测值，而对于 Y 数据点，我们返回来自 t = 2 到 201 的观测值。一旦我们有了正确的数据点，就可以轻松地重塑序列。

为了构建包含批次的对象，我们需要将数据集拆分为十个长度相同的批次。我们可以使用 reshape 方法并传递 -1，以便序列与批次大小相同。值 20 是每个批次的注释数，1 是输入数。

我们需要为标签执行相同的步骤。

现在函数已定义，我们调用它来创建批次。

我们可以打印形状以确保维度正确。

我们需要创建只有一批数据和 20 个观测值的测试集。

请注意，我们的预测日复一日，这意味着第二个预测值将基于测试数据集第一天（t+1）的实际值。真实值将被知道。

如果你想预测 t+2，我们需要使用预测值 t+1；如果你要预测 t+3，我们需要使用预期值 t+1 和 t+2。这使得精确预测 "t+n" 天变得困难。

我们的批次大小已准备就绪，我们可以构建 RNN 架构。请记住，我们有 120 个循环神经元。

步骤 3）构建模型

要创建模型，我们需要定义三个部分

1. 带有张量的变量
2. RNN
3. 损失和优化

1. 变量

我们需要指定具有适当形状的 X 和 y 变量。这一步很简单。张量与对象 X_batches 和对象 y_batches 具有相同的维度。

例如，张量 X 是一个占位符，几乎有三个维度

• 注意：批次大小
• n_windows：窗口长度。
• n_input：输入数量

结果是

2. 创建 RNN

在第二部分中，我们需要定义网络的架构。和以前一样，我们使用 TensorFlow 估计器的对象 BasicRNNCell 和 dynamic_rnn。

下一部分比较棘手，但可以实现更快的计算。我们需要将运行输出转换为密集层，然后将其转换为具有与输入字段相同的维度。

3. 创建损失和优化

模型优化取决于我们正在执行的任务。

这种差异很重要，因为它会改变优化问题。连续变量的优化问题通常是最小化均方误差。要在 TF 中构建这些指标，我们可以使用

持久性代码与以前相同；我们使用 Adam 优化器来减少损失。

我们可以将所有内容打包在一起，我们的模型就可以进行训练了。

我们将使用 1500 个 epoch 训练模型，并每 150 次迭代打印一次损失。训练模型后，我们在测试集上评估模型，并创建一个包含预测的对象。

最后，我们可以绘制序列的实际值和预测值。如果我们的模型是正确的，则预测值应该放在实际值的顶部。

正如我们所看到的，该模型还有改进的空间。我们可以更改超参数，例如窗口、批次大小以及当前文件中循环神经元的数量。

循环神经网络是一种用于处理时间序列和文本分析的架构。前一个状态的输出用于在一段时间或一系列单词内保存系统的内存。

在 TensorFlow 中，我们可以使用 be;ow 给定的代码来训练 时间序列 的循环神经网络

模型参数

定义模型

构建优化函数

训练模型