2019deeplearn hw3
DeeplearnHW03 410535020 資管四 葉松
###### tags: `Fundamental Deep Learning Assignments 2019`
# Time Series Prediction
---
# 目錄
[TOC]
# 1.問題
---
In this assignment, you are given the first part of a time series, {x(t)} .1000,t=1
The goal is to design a recurrent neural network to predict the second part
of the series {x(t)} which will be used for testing your network by
1500,t=1001the teacher. This testing data set would not be available to you.
# 2.解決步驟
---
由於我們想透過前面的1000筆資料去預測後面500筆資料的數值，這裡我使用了LSTM遞歸神經望網絡去解決，從第一筆資料開始，每次抓取包含其後99筆資料作為訓練資料，其後第100筆資料的值作為該訓練資料對應的數值，將這些訓練資料丟進，模型中進行學習，最終達到預測的效果
以下是我解決的步驟
**資料預處理->建立模型->訓練模型->預測->評估**
### 資料預處理
首先安裝跟匯入需要用到的模組
```python=
import keras
from keras import layers
from keras.layers.embeddings import Embedding
from keras.layers.recurrent import SimpleRNN
import numpy as np
```
接著從雲端把我們的訓練資料下載下來
```python=
path=keras.utils.get_file('A3_train.txt',
origin='https://drive.google.com/uc?export=download&id=184ipV1dPL8tEW_SgXJqDcngOOKNRN4Lx')
text = open(path)
```
把TXT中讀到的資料先放到time陣列中方便等一下使用
```python=
times=[]
# 把1000筆資料讀取到time陣列中
for i in range (1000):
s=text.readline().rstrip()
s=float(s)
#print (s)
times.append(s)
```
接著從第一筆資料開始每100筆資料作為訓練資料
而後將資料分成訓練資料跟測試資料
```python=
result = []
# 設定一次取99筆資料預測第100筆資料
sequence_length=100
for index in range(len(times) - sequence_length):
result.append(times[index: index + sequence_length])
result = np.array(result)
row = 500
train = result[:row, :]
np.random.shuffle(train)
X_train = train[:, :-1]
y_train = train[:, -1]
X_test = result[row:, :-1]
y_test = result[row:, -1]
```
### 建立模型
```python=
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten, LSTM, TimeDistributed, RepeatVector,Input
model = Sequential()
model.add(LSTM(20, input_shape=(sequence_length-1,1), return_sequences=True))
model.add(LSTM(25, return_sequences=True))
model.add(TimeDistributed(Dense(1)))
model.add(Flatten())
model.add(Dense(20,activation='linear'))
model.add(Dense(1))
model.summary()
```
### 訓練模型
選擇好loss Function 就可以開始訓練了！
```python=
optimizer="adam",metrics=['mean_absolute_error'])
model.compile(loss="mse", optimizer="adam",metrics=['mean_absolute_error'])
epochs=50
model.fit(X_train, y_train,batch_size=50, nb_epoch=epochs, validation_split=0)
```
### 預測後500筆資料的值
接著就是將剛剛訓練好的的模型，拿來開始進行預測囉~
```python=
last_test=np.array(times[-1*(sequence_length-1)::])
s1=[]
for i in range (sequence_length-1):
s1.append(last_test[i])
predictedset=[]
for i in range (500):
x=np.array(s1)
x=x.reshape(1,sequence_length-1,1)
predicted = model.predict(x)
out=predicted[0,0]
predictedset.append(out)
if i!=499:
print(str(out)+",",end='')
else:
print(str(out),end='')
s1.append(out)
s1=s1[1:120]
```
### 顯示預測的曲線圖
將剛剛預測出來的結果繪製成圖形
```python=
import matplotlib.pyplot as plt
try:
fig = plt.figure()
ax = fig.add_subplot(111)
plt.plot(predictedset)
plt.show()
except Exception as e:
print(str(e))
```
# 3.效能評估
訓練的LOSS結果還不錯的有降到0.04以下，整體看上去也與前1000筆的走勢較為接近，不過一些較細微的地方還是跟原本的圖有些不同
當中有遇到的問題是，若不是每次抓100筆資料當訓練資料，而是50筆或者更小的數字時，蠻容易導致預測出來的數值曲線圖，波鋒跟波谷都與前1000筆的小了快2倍，跑到近500筆資料時，曲線甚至逐漸變平，我認為可能是因為學習的訓練資料每次抓的範圍較小，預測的數值便沒辦法脫離那個小區間的區域，因此數值在那個區域來回跳導致的
Sign in with Wallet
Connect another wallet