使用 LSTM 对销售额预测（Python代码）

,大家经常会遇到一些需要预测的场景，比如预测品牌销售额，预测产品销量。
,今天给大家分享一波使用 LSTM 进行端到端时间序列预测的完整代码和详细解释。
,我们先来了解两个主题：
,时间序列分析：时间序列表示基于时间顺序的一系列数据。它可以是秒、分钟、小时、天、周、月、年。未来的数据将取决于它以前的值。
,在现实世界的案例中，我们主要有两种类型的时间序列分析：
,对于单变量时间序列数据，我们将使用单列进行预测。
,,正如我们所见，只有一列，因此即将到来的未来值将仅取决于它之前的值。
,但是在多元时间序列数据的情况下，将有不同类型的特征值并且目标数据将依赖于这些特征。
,,正如在图片中看到的，在多元变量中将有多个列来对目标值进行预测。（上图中“count”为目标值）
,在上面的数据中，count不仅取决于它以前的值，还取决于其他特征。因此，要预测即将到来的count值，我们必须考虑包括目标列在内的所有列来对目标值进行预测。
,在执行多元时间序列分析时必须记住一件事，我们需要使用多个特征预测当前的目标，让我们通过一个例子来理解：
,在训练时，如果我们使用 5 列 [feature1, feature2, feature3, feature4, target] 来训练模型，我们需要为即将到来的预测日提供 4 列 [feature1, feature2, feature3, feature4]。
,本文中不打算详细讨论LSTM。所以只提供一些简单的描述，如果你对LSTM没有太多的了解，可以参考我们以前发布的文章。
,LSTM基本上是一个循环神经网络，能够处理长期依赖关系。
,假设你在看一部电影。所以当电影中发生任何情况时，你都已经知道之前发生了什么，并且可以理解因为过去发生的事情所以才会有新的情况发生。RNN也是以同样的方式工作，它们记住过去的信息并使用它来处理当前的输入。RNN的问题是，由于渐变消失，它们不能记住长期依赖关系。因此为了避免长期依赖问题设计了lstm。
,现在我们讨论了时间序列预测和LSTM理论部分。让我们开始编码。
,让我们首先导入进行预测所需的库：,加载数据，并检查输出：,,,现在让我们花点时间看看数据：csv文件中包含了谷歌从2001-01-25到2021-09-29的股票数据，数据是按照天数频率的。
,[如果您愿意，您可以将频率转换为“B”[工作日]或“D”，因为我们不会使用日期，我只是保持它的现状。]
,这里我们试图预测“Open”列的未来值，因此“Open”是这里的目标列。
,让我们看一下数据的形状：
,现在让我们进行训练测试拆分。这里我们不能打乱数据，因为在时间序列中必须是顺序的。,可以注意到数据范围非常大，并且它们没有在相同的范围内缩放，因此为了避免预测错误，让我们先使用MinMaxScaler缩放数据。(也可以使用StandardScaler),,将数据拆分为X和Y，这是最重要的部分，正确阅读每一个步骤。,让我们看看上面的代码中做了什么：
,N_past是我们在预测下一个目标值时将在过去查看的步骤数。
,这里使用30，意味着将使用过去的30个值(包括目标列在内的所有特性)来预测第31个目标值。
,因此，在trainX中我们会有所有的特征值，而在trainY中我们只有目标值。
,让我们分解for循环的每一部分：
,对于训练，dataset = df_for_training_scaled, n_past=30
,当i= 30：
,从n_past开始的范围是30，所以第一次数据范围将是-[30 - 30,30,0:5] 相当于 [0:30,0:5]
,因此在dataX列表中，df_for_training_scaled[0:30,0:5]数组将第一次出现。
,现在, dataY.append(df_for_training_scaled[i,0])
,i = 30，所以它将只取第30行开始的open(因为在预测中，我们只需要open列，所以列范围仅为0，表示open列)。
,第一次在dataY列表中存储df_for_training_scaled[30,0]值。
,所以包含5列的前30行存储在dataX中，只有open列的第31行存储在dataY中。然后我们将dataX和dataY列表转换为数组，它们以数组格式在LSTM中进行训练。
,我们来看看形状。,4132 是 trainX 中可用的数组总数，每个数组共有 30 行和 5 列， 在每个数组的 trainY 中，我们都有下一个目标值来训练模型。
,让我们看一下包含来自 trainX 的 (30,5) 数据的数组之一 和 trainX 数组的 trainY 值：,,如果查看 trainX[1] 值，会发现到它与 trainX[0] 中的数据相同（第一列除外），因为我们将看到前 30 个来预测第 31 列，在第一次预测之后它会自动移动 到第 2 列并取下一个 30 值来预测下一个目标值。
,让我们用一种简单的格式来解释这一切：,像这样，每个数据都将保存在 trainX 和 trainY 中。
,现在让我们训练模型，我使用 girdsearchCV 进行一些超参数调整以找到基础模型。,如果你想为你的模型做更多的超参数调整，也可以添加更多的层。但是如果数据集非常大建议增加 LSTM 模型中的时期和单位。
,在第一个 LSTM 层中看到输入形状为 (30,5)。它来自 trainX 形状。
,现在让我们将模型拟合到 trainX 和 trainY 数据中。
,由于进行了超参数搜索，所以这将需要一些时间来运行。
,你可以看到损失会像这样减少：
,,现在让我们检查模型的最佳参数。,将最佳模型保存在 my_model 变量中。
,现在可以用测试数据集测试模型。,,testY 和 prediction 的长度是一样的。现在可以将 testY 与预测进行比较。
,但是我们一开始就对数据进行了缩放，所以首先我们必须做一些逆缩放过程。
,,报错了，这是因为在缩放数据时，我们每行有 5 列，现在我们只有 1 列是目标列。
,所以我们必须改变形状来使用 inverse_transform：
,,5 列值是相似的，它只是将单个预测列复制了 4 次。所以现在我们有 5 列相同的值 。,这样就可以使用 inverse_transform 函数。
,但是逆变换后的第一列是我们需要的，所以我们在最后使用了 → [:,0]。
,现在将这个 pred 值与 testY 进行比较，但是 testY 也是按比例缩放的，也需要使用与上述相同的代码进行逆变换。,现在让我们看一下预测值和原始值：,,最后绘制一个图来对比我们的 pred 和原始数据。,,看样子还不错，到目前为止，我们训练了模型并用测试值检查了该模型。现在让我们预测一些未来值。
,从主 df 数据集中获取我们在开始时加载的最后 30 个值[为什么是 30？因为这是我们想要的过去值的数量，来预测第 31 个值],,可以看到有包括目标列（“Open”）在内的所有列。现在让我们预测未来的 30 个值。
,在多元时间序列预测中，需要通过使用不同的特征来预测单列，所以在进行预测时我们需要使用特征值（目标列除外）来进行即将到来的预测。
,这里我们需要“High”、“Low”、“Close”、“Adj Close”列的即将到来的 30 个值来对“Open”列进行预测。,,剔除“Open”列后，使用模型进行预测之前还需要做以下的操作：
,缩放数据，因为删除了‘Open’列，在缩放它之前，添加一个所有值都为“0”的Open列。
,缩放后，将未来数据中的“Open”列值替换为“nan”
,现在附加 30 天旧值和 30 天新值（其中最后 30 个“打开”值是 nan）,full_df  形状是 (60,5)，最后第一列有 30 个 nan 值。
,要进行预测必须再次使用 for 循环，我们在拆分 trainX 和 trainY 中的数据时所做的。但是这次我们只有 X，没有 Y 值。,对于第一个预测，有之前的 30 个值，当 for 循环第一次运行时它会检查前 30 个值并预测第 31 个“Open”数据。
,当第二个 for 循环将尝试运行时，它将跳过第一行并尝试获取下 30 个值 [1:31] 。这里会报错错误因为Open列最后一行是 “nan”，所以需要每次都用预测替换“nan”。
,最后还需要对预测进行逆变换：,,这样一个完整的流程就已经跑通了。
,如果你想看完整的代码，可以在这里查看：
,​​https://github.com/sksujan58/Multivariate-time-series-forecasting-using-LSTM​​