问题遇到的现象和发生背景
问题相关代码，请勿粘贴截图
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from keras.layers import LSTM
from keras.layers import Dense
from keras.models import Sequential
from sklearn.metrics import mean_squared_error
import numpy as np
import math
# 数据的差分转换
def difference(data_set,interval=1):
diff=list()
for i in range(interval,len(data_set)):
value=data_set[i]-data_set[i-interval]
diff.append(value)
return pd.Series(diff)
# 对预测的数据进行逆差分转换
def invert_difference(history,yhat,interval=1):
return yhat+history[-interval]
# 将数据转换为监督学习集，移位后产生的NaN值补0
def timeseries_to_supervised(data,lag=1):
df=pd.DataFrame(data)
columns=[df.shift(i) for i in range(1,lag+1)]
columns.append(df)
df=pd.concat(columns,axis=1)
df.fillna(0,inplace=True)
return df
# 将数据缩放到[-1,1]之间
def scale(train,test):
# 创建一个缩放器，将数据集中的数据缩放到[-1,1]的取值范围中
scaler=MinMaxScaler(feature_range=(-1,1))
# 使用数据来训练缩放器
scaler=scaler.fit(train)
# 使用缩放器来将训练集和测试集进行缩放
train_scaled=scaler.transform(train)
test_scaled=scaler.transform(test)
return scaler,train_scaled,test_scaled
# 将预测值进行逆缩放，使用之前训练好的缩放器，x为一维数组，y为实数
def invert_scale(scaler,X,y):
# 将X,y转换为一个list列表
new_row=[x for x in X]+[y]
# 将列表转换为数组
array=np.array(new_row)
# 将数组重构成一个形状为[1,2]的二维数组->[[10,12]]
array=array.reshape(1,len(array))
# 逆缩放输入的形状为[1,2]，输出形状也是如此
invert=scaler.inverse_transform(array)
# 只需要返回y值即可
return invert[0,-1]
# 构建一个LSTM模型
def fit_lstm(train,batch_size,nb_epoch,neurons):
# 将数据对中的x和y分开
X,y=train[:,0:-1],train[:,-1]
# 将2D数据拼接成3D数据，形状为[N*1*1]
X=X.reshape(X.shape[0],1,X.shape[1])
model=Sequential()
model.add(LSTM(neurons,batch_input_shape=(batch_size,X.shape[1],X.shape[2]),stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error',optimizer='adam')
for i in range(nb_epoch):
# shuffle是不混淆数据顺序
his=model.fit(X,y,batch_size=batch_size,verbose=1,shuffle=False)
# 每训练完一次就重置一次网络状态，网络状态与网络权重不同
model.reset_states()
return model
# 开始单步预测
def forecast_lstm(model,batch_size,X):
# 将形状为[1:]的，包含一个元素的一维数组X，转换形状为[1,1,1]的3D张量
X=X.reshape(1,1,len(X))
# 输出形状为1行一列的二维数组yhat
yhat=model.predict(X,batch_size=batch_size)
# 将yhat中的结果返回
return yhat[0,0]
# 读取数据，将日期和时间列合并，其他列删除，合并后的列转换为时间格式，设为索引
data=pd.read_csv('data.csv')
series=data.set_index(['Date'],drop=True)
# 将原数据转换为二维数组形式，例如：
# [[4.6838],[4.6882],[4.7048]]
raw_value=series.values
# 将数据进行差分转换，例如[[4.6838],[4.6882],[4.7048]]转换为[[4.6882-4.6838],[4.7048-4.6882]]
diff_value=difference(raw_value,1)
#
# 将序列形式的数据转换为监督学习集形式，例如[[10],[11],[12],[13]]
# 在此将其转换为监督学习集形式：[[0,10],[10,11],[11,12],[12,13]]，
# 即前一个数作为输入，后一个数作为对应的输出
supervised=timeseries_to_supervised(diff_value,1)
supervised_value=supervised.values
# 将数据集分割为训练集和测试集，设置后1000个数据为测试集
testNum=300
train,test=supervised_value[:-testNum],supervised_value[-testNum:]
# 将训练集和测试集都缩放到[-1,1]之间
scaler,train_scaled,test_scaled=scale(train,test)
# 构建一个LSTM模型并训练，样本数为1，训练次数为5，LSTM层神经元个数为4
lstm_model=fit_lstm(train_scaled,1,1,4)
# 遍历测试集，对数据进行单步预测
predictions=list()
for i in range(len(test_scaled)):
# 将测试集拆分为X和y
X,y=test[i,0:-1],test[i,-1]
# 将训练好的模型、测试数据传入预测函数中
yhat=forecast_lstm(lstm_model,1,X)
# 将预测值进行逆缩放
yhat=invert_scale(scaler,X,yhat)
# 对预测的y值进行逆差分
yhat=invert_difference(raw_value,yhat,len(test_scaled)+1-i)
# 存储正在预测的y值
predictions.append(yhat)
# 计算方差
rmse=mean_squared_error(raw_value[:testNum],predictions)
print("Test RMSE:",rmse)
plt.plot(raw_value[-testNum:])
plt.plot(predictions)
plt.legend(['true','pred'])
plt.show()
运行结果及报错内容
65/65 [==============================] - 2s 2ms/step - loss: 0.1765
Traceback (most recent call last):
File "C:\Users\lenovo\Desktop\paper\untitled0.py", line 125, in <module>
yhat=forecast_lstm(lstm_model,1,X)
File "C:\Users\lenovo\Desktop\paper\untitled0.py", line 87, in forecast_lstm
yhat=model.predict(X,batch_size=batch_size)
File "F:\Anaconda\lib\site-packages\keras\utils\traceback_utils.py", line 67, in error_handler
raise e.with_traceback(filtered_tb) from None
File "F:\Anaconda\lib\site-packages\tensorflow\python\framework\constant_op.py", line 102, in convert_to_eager_tensor
return ops.EagerTensor(value, ctx.device_name, dtype)
ValueError: Failed to convert a NumPy array to a Tensor (Unsupported object type numpy.ndarray).
我的解答思路和尝试过的方法
我想要达到的结果
我在运行该代码的时候总是出现这样的错误，希望有人能帮忙解决一下
