Python 基于LSTM递归网络的Pybrain时间序列预测

我脑子里有一个问题，它涉及到使用pybrain对时间序列进行回归。我计划使用pybrain中的LSTM层来训练和预测时间序列

我在下面的链接中找到了一个示例代码

在上面的例子中，网络能够在训练后预测序列。但问题是，网络通过将所有顺序数据一次性输入到输入层来接收这些数据。例如，如果训练数据每个都有10个特征，那么这10个特征将同时馈送到10个输入节点中

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差异？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循环网络。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节点。将训练网络在输出节点再现输入

你能建议或指导我构建我提到的网络吗？ 非常感谢您。

我认为一个更好（更简单/更清晰）的学习示例将出现在页面底部：

基本上，一旦如图所示进行设置，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：

在调用.reset（）之前，网络会跟踪所有以前的输入，从而允许使用定期连接和及时回溯的层

因此，是的，无需每次都向网络重新呈现所有过去的输入。

您可以训练具有单个输入节点和单个输出节点的LSTM网络，以进行如下时间序列预测：

首先，作为一个好的实践，让我们使用Python3的打印功能：

from\uuuuu future\uuuuu导入打印功能

然后，制作一个简单的时间序列：

data=[1]*3+[2]*3
数据*=3
打印（数据）

[1,1,1,2,2,1,1,1,1,2,2,2,1,1,1,2,2]

现在，将此timeseries放入受监督的数据集中，其中每个样本的目标是下一个样本：

从pybrain.datasets导入SequentialDataSet
从itertools导入周期
ds=顺序数据集（1，1）
对于示例，zip中的下一个示例（数据，循环（数据[1:]）：
ds.addSample（样本，下一个样本）

构建一个简单的LSTM网络，包括1个输入节点、5个LSTM单元和1个输出节点：

从pybrain.tools.shortcuts导入buildNetwork
从pybrain.structure.modules导入LSTMLayer
net=buildNetwork（1,5,1，
hiddenclass=LSTMLayer，outputbias=False，Returnal=True）

培训网络：

来自pybrain.supervised导入RPROPMETER
从系统导入标准输出
培训师=培训师（网络，数据集=ds）
列_错误=[]#保存错误以便以后打印
每个周期的周期=5
周期=100
历元=历元/历元周期*历元周期
对于x范围内的i（周期）：
培训师.培训周期（每个周期的周期）
train_errors.append（trainer.testOnData（））
历元=（i+1）*每周期历元
打印（“\r epoch{}/{}”。格式（epoch，epoch），end=”“）
stdout.flush（）
打印（）
打印（“最终错误=”，列错误[-1]）

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培训，这当然不是您在实际项目中要做的！）

导入matplotlib.pyplot作为plt
plt.plot（范围（0，历元，历元/周期），列车误差）
plt.xlabel（'epoch'）
plt.ylabel（'错误'）
plt.show（）

现在让网络预测下一个样本：

对于示例，ds.getSequenceIterator中的目标（0）： 打印（“样本=%4.1f”%sample） 打印（“预测的下一个样本=%4.1f”%net.activate（样本）） 打印（“实际下一个样本=%4.1f”%target） 打印（）

---

（上面的代码基于和的示例）

我已经测试了LSTM，用Theano预测了一些时间序列。我发现对于一些平滑的曲线，它可以被正确地预测。然而对于一些曲折的曲线。很难预测。详情如下:

预测结果如下所示：

---

（来源：）

我可以要求对培训步骤做一些澄清吗。训练阶段的周期和每个周期的阶段具体是什么？另外，它与仅针对x个历代的培训有什么不同？@A.Devereux它正在保存错误。我想作者希望每一个周期都保存错误，在本例中，它比所有错误小5倍。嘿，maple，我读了你的代码，我想知道它是否公开？我试着把你网站上的这些部分放在一起，但仍然不能确定其中的一些变量。你能告诉我这件事吗？谢谢，@nimafl，代码不是公开的，因为我没有删减代码。现在只是一堆面条。如果有什么让你困惑的事情，请在博客下方留言，我会尽力解释。谢谢。我一定会在那里发帖寻求帮助。