Я использовал LSTM для прогнозирования цены на золото, но результат всегда был одинаковым. Кто-нибудь знает проблемы? - PullRequest
Новая
       87

Я использовал LSTM для прогнозирования цены на золото, но результат всегда был одинаковым. Кто-нибудь знает проблемы?

0 голосов
/ 18 июня 2020

Я создал нарезку окон в качестве входных данных для обучения, и я попытался изменить единицы LSTM, Batch, и это ничего не помогает. Кто-нибудь знает, в чем проблема моего кода? пожалуйста помоги. Спасибо.

Это мой код: 

#make window size
def windowed_dataset(series, window_size, batch_size, shuffle_buffer):
    series = tf.expand_dims(series, axis=-1)
    ds = tf.data.Dataset.from_tensor_slices(series)
    ds = ds.window(window_size + 1, shift=1, drop_remainder=True)
    ds = ds.flat_map(lambda w: w.batch(window_size + 1))
    #ds = ds.shuffle(shuffle_buffer)
    ds = ds.map(lambda w: (w[:-1], w[1:]))
    return ds.batch(batch_size).prefetch(1)
#model forecasting
def model_forecast(model, series, window_size):
    ds = tf.data.Dataset.from_tensor_slices(series)
    ds = ds.window(window_size, shift=1, drop_remainder=True)
    ds = ds.flat_map(lambda w: w.batch(window_size))
    ds = ds.batch(16).prefetch(1)
    forecast = model.predict(ds)
    return forecast

Это мой код LSTM 

tf.keras.backend.clear_session()
tf.random.set_seed(51)
np.random.seed(51)
window_size = 10
batch_size = 5
train_set = windowed_dataset(x_train, window_size, batch_size, shuffle_buffer_size)
print(train_set)
print(x_train.shape)

model = tf.keras.models.Sequential([
  tf.keras.layers.Conv1D(filters=8, kernel_size=5,
                      strides=1, padding="causal",
                      activation="relu",
                      input_shape=[None, 1]),
  tf.keras.layers.LSTM(20, return_sequences=True),
  tf.keras.layers.LSTM(20, return_sequences=True),
  tf.keras.layers.LSTM(10, return_sequences=True),
  tf.keras.layers.LSTM(5, return_sequences=True),
  tf.keras.layers.LSTM(4, return_sequences=True),
  tf.keras.layers.Dense(20, activation="relu"),
  tf.keras.layers.Dense(5, activation="relu"),
  tf.keras.layers.Dense(1),
  tf.keras.layers.Lambda(lambda x: x * 400)
])

lr_schedule = tf.keras.callbacks.LearningRateScheduler(
    lambda epoch: 1e-8 * 10**(epoch / 20))
optimizer = tf.keras.optimizers.SGD(lr=1e-8, momentum=0.9)
model.compile(loss=tf.keras.losses.Huber(),
              optimizer=optimizer,
              metrics=["mae"])
history = model.fit(train_set, epochs=100, callbacks=[lr_schedule])

#prediction
rnn_forecast = model_forecast(model, series[..., np.newaxis], window_size)
rnn_forecast = rnn_forecast[split_time - window_size:-1, -1, 0]

print(rnn_forecast)

1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867
 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867
 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867
 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867
 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867
 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867
 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867
 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867
 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867 1287.0867

1 Ответ

0 голосов
/ 18 июня 2020

Во-первых, я бы попросил вас проверить ваши данные, и, если это нормально, пожалуйста, уменьшите количество слоев (обычно 2-3 слоя работают нормально), поскольку произойдет или происходит переобучение.

Итак, проверьте свои данные (распечатайте их), если это нормально, уменьшите количество слоев.

...