当前位置：首页 > news >正文

Python基于TensorFlow实现时间序列循环神经网络回归模型(LSTM时间序列回归算法)项目实战

news 2025/7/10 18:37:56

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

随着信息技术的发展和传感器设备的广泛应用，时间序列数据的产生量急剧增加。无论是股市价格的波动、电力消耗的趋势还是环境监测的数据变化，准确地预测这些序列数据对于决策制定至关重要。然而，传统的统计方法在处理大规模、高维度且具有复杂模式的时间序列数据时面临诸多挑战。因此，寻找一种能够高效处理此类数据的预测方法变得尤为关键。

循环神经网络（RNN），特别是长短期记忆网络（LSTM），因其强大的学习长期依赖性能力，在时间序列预测任务中展现出巨大的潜力。LSTM通过引入输入门、遗忘门和输出门等机制，能够有效地学习时间序列中的复杂模式，并且在一定程度上缓解了梯度消失问题，使得模型能够更准确地进行长期预测。

通过这个项目，我们希望能够展示LSTM在处理时间序列数据方面的优越性，并为相关领域的研究者和从业者提供一个可参考的实践案例，促进深度学习技术在时间序列分析中的进一步应用和发展。

本项目通过Python基于TensorFlow实现时间序列循环神经网络回归模型(LSTM时间序列回归算法)项目实战。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

编号	变量名称	描述
1	date
2	y	因变量

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2数据缺失查看

使用Pandas工具的info()方法查看数据信息：

从上图可以看到，总共有2个变量，数据中有缺失值，共2976条数据。

关键代码：

3.3数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：

3.4数据缺失值处理

数据缺失值采用均值填充，处理后，统计信息如下：

通过上图可以看到，数据缺失值已处理完成。

3.5数据异常值检测

采用z-score原则进行检测，检测结果如下：

通过上图可以看到，数据中无异常值。

4.探索性数据分析

4.1 y变量分布直方图

用Matplotlib工具的hist()方法绘制直方图：

5.特征工程

5.1 数据归一化

关键代码如下：

5.2 构建特征数据和标签数据

关键代码如下：

5.3 数据集拆分

关键代码如下：

5.4 构建批数据

关键代码如下：

6.构建LSTM时间序列回归模型

主要使用LSTM回归算法，用于目标回归。

6.1 构建模型

编号	模型名称	参数
1	LSTM时间序列模型	units
2	LSTM时间序列模型	epochs

6.2 模型摘要信息

6.3 模型训练集测试集损失曲线图

7.模型评估

7.1评估指标及结果

评估指标主要包括R方、均方误差、解释性方差、绝对误差等等。

模型名称	指标名称	指标值
测试集
LSTM时间序列回归模型	R方	0.9909
	均方误差	0.0003
	解释方差分	0.9915
	绝对误差	0.0144

从上表可以看出，R方分值为0.9909，说明模型效果比较好。

关键代码如下：

7.2 真实值与预测值对比图

从上图可以看出真实值和预测值波动基本一致，模型效果良好。

7.3 未来值预测绘图

8.结论与展望

综上所述，本文采用了LSTM时间序列回归算法来构建回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。

X = []  # 初始特征数据集为空列表
y = []  # 初始标签数据集为空列表,y标签为样本的下一个点，即预测点start = 0  # 初始位置
end = dataset_filled.shape[0] - seq_len  # 截止位置,dataset_filled.shape[0]就是有多少条for i in range(start, end):  # for循环构造特征数据集sample = dataset_filled[i: i + seq_len]  # 基于时间跨度seq_len创建样本label = dataset_filled[i + seq_len]  # 创建sample对应的标签X.append(sample)  # 保存sampley.append(label)  # 保存label
# 返回特征数据集和标签集
return np.array(X), np.array(y)# 获取方式：# 项目实战合集导航：# https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2# https://item.taobao.com/item.htm?ft=t&id=834667413889# y变量分布直方图
fig = plt.figure(figsize=(8, 5))  # 设置画布大小
plt.rcParams['font.sans-serif'] = 'SimHei'  # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
data_tmp = df['y']  # 过滤出y变量的样本
# 绘制直方图  bins：控制直方图中的区间个数 auto为自动填充个数  color：指定柱子的填充色
plt.hist(data_tmp, bins='auto', color='g')  # 绘图
plt.xlabel('y')  # 设置x轴名称
plt.ylabel('数量')  # 设置y轴名称
plt.title('y变量分布直方图')  # 设置标题名称
plt.show()  # 展示图片'欢迎关注下方公众号，谢谢'

查看全文

http://www.lryc.cn/news/442949.html