多维数据的lstm预测

Question

怎么使用多维度数据用来预测黄金的价格走势#lstm#多维度数据#预测黄金价格

Answer 1

引自免费微信小程序：皆我百晓生

为了构建一个使用多维度数据进行黄金价格预测的LSTM模型，首先确保已经安装了必要的库，包括TensorFlow、Keras、pandas等。如果你尚未安装，可以使用以下命令安装：

pip install tensorflow pandas numpy matplotlib sklearn

接下来，我们将按照以下步骤进行操作：

1. 导入所需库
2. 准备数据集
3. 数据预处理
4. 构建LSTM模型
5. 训练模型
6. 评估模型
7. 使用模型进行预测

代码示例：

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from tensorflow.keras.optimizers import Adam
import matplotlib.pyplot as plt

# 假设你已经有了一个包含多个特征（例如开盘价、收盘价、最高价、最低价）和目标变量（黄金价格）的数据框df
# df = ...

# 将数据转换为时间序列数据
def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset) - look_back - 1):
        a = dataset[i:(i + look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

look_back = 60  # 可视化选择的时间窗口长度，可以根据需求调整
train_size = int(len(df) * 0.8)
test_size = len(df) - train_size
train, test = df[0:train_size], df[train_size:len(df)]

scaler = MinMaxScaler(feature_range=(0, 1))
dataset = scaler.fit_transform(train)

dataX, dataY = create_dataset(dataset, look_back)
x_train, x_test, y_train, y_test = train_test_split(dataX, dataY, test_size=0.2, shuffle=False)

x_train = np.reshape(x_train, (x_train.shape[0], 1, x_train.shape[1]))
x_test = np.reshape(x_test, (x_test.shape[0], 1, x_test.shape[1]))

# 构建LSTM模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(1, look_back)))
model.add(Dropout(0.2))
model.add(LSTM(units=50))
model.add(Dropout(0.2))
model.add(Dense(units=1))

# 编译模型
model.compile(optimizer=Adam(lr=0.001), loss='mean_squared_error')

# 训练模型
history = model.fit(x_train, y_train, epochs=100, batch_size=32, validation_data=(x_test, y_test), verbose=2)

# 绘制训练过程中的损失函数曲线
plt.plot(history.history['loss'], label='Training Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.legend()
plt.show()

# 预测未来价格
inputs = dataset[-look_back:].reshape((1, 1, look_back))
predicted_price = model.predict(inputs)[0][0]

# 反归一化预测结果
predicted_price = scaler.inverse_transform([[predicted_price]])

print("Predicted Price:", predicted_price[0])

# 如果需要可视化原始数据和预测结果
plt.figure(figsize=(12, 6))
plt.plot(scaler.inverse_transform(dataset), label='Actual Price')
plt.plot(range(train_size, train_size + len(test)), scaler.inverse_transform(test), label='Real Price', linestyle='--')
plt.plot(range(train_size, train_size + len(test)), predicted_price, label='Predicted Price', linestyle='-.')
plt.legend()
plt.xlabel('Time')
plt.ylabel('Price')
plt.title('Gold Price Prediction with LSTM')
plt.show()

在这个例子中，我们首先导入所需的库，然后准备数据集，并将其转化为时间序列数据。接着，我们创建了一个LSTM模型，其中包括两个LSTM层和一个全连接层。模型采用Adam优化器和均方误差作为损失函数进行编译。

在训练过程中，我们将数据集分为训练集和测试集，然后使用训练集对模型进行训练，并记录训练和验证的损失值。训练完成后，我们可以绘制损失曲线以分析模型性能。

最后，我们使用模型对未来价格进行预测，并将预测结果反归一化以便于理解。同时，我们可以将实际价格、真实价格和预测价格绘制成图表，以便更好地观察模型的表现。

注意：这个示例中的代码是基于一个假设的数据框df，你需要根据实际情况替换为你的数据。此外，可能需要根据数据的具体情况调整模型结构（比如LSTM单元数量、Dropout比例）、训练参数（比如epoch数、batch大小）以及超参数。