# LSTM實現時間序列預測的模型
## 1.讀出數據
從文件內讀出數據，得到的序列為raw_n

from numpy import array
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense
from keras import layers
import numpy as np
import keras
f = open('seq_to_train.txt')
num_file = f.read()
data = num_file.split('\n')
f.close()

print('data len:',len(data))    

raw_n = list(map(float,data))

## 2.原始數據圖像化

import matplotlib.pyplot as plt
plt.plot(raw_n)
plt.show()

## 3.定義數據的處理方法
數字向量由原始數據切片得到，方法內的n_steps為預測關聯到的數字向量長度。由觀察可知這裡的關聯長度為100比較合適

def split_sequence(sequence, n_steps):                 #  數據的處理方法
    X = []
    y = []
    for i in range(len(sequence)):
        end_ix = i + n_steps
        if end_ix > len(sequence)-1:
            break
        seq_x, seq_y = sequence[i:end_ix], sequence[end_ix]       # seq_x 為數字向量  seq_y為標籤
        x_train.append(seq_x)
        y_train.append(seq_x)
    return array(x_train), array(y_train)

raw_seq = raw_n   
n_steps = 100   

x_train,y_train = split_sequence(raw_seq, n_steps)
n_features = 1
x_train = x_train.reshape((x_train.shape[0], x_train.shape[1], n_features))

## 4.設置模型
這裡的模型用到三層LSTM，可以較好的記錄下數據特征。輸出層為一個Dense層。

model = Sequential()
model.add(LSTM(50, activation='relu',input_shape=(n_steps, n_features),return_sequences=True)) 
model.add(LSTM(50, activation='relu',return_sequences=True))
model.add(LSTM(50))     
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')
model.summary()

模型的信息

## 5.訓練模型
將訓練數據和標籤傳入模型訓練,訓練20輪。

model.fit(x_train, y_train, epochs=20, batch_size=50 , verbose=1,validation_split = 0.1)

## 6.使用模型
模型訓練好之後用模型預測後面的500個值。用x_result記錄500個數值。

x_input = array(raw_seq[-n_steps:])
x_input = x_input.reshape((1, n_steps, n_features))
x_input_r = raw_seq[-(n_steps-1):]
x_result = [ ]
for i in range(500):
    yhat = model.predict(x_input, verbose=0)
    x_result.append(yhat[0][0])
    x_input_r.append(yhat[0][0])
    x_input = array(x_input_r[-100:])
    x_input = x_input.reshape((1, n_steps, n_features))
print(x_result)

## 7.結果圖像化

import matplotlib.pyplot as plt
x_index = list(range(1000,1500))
plt.plot(raw_n)
plt.plot(x_index,x_result)
plt.show()


## 8.總結
RNN可以處理這種以序列方式輸入的數據，增加訓練輪數和增加訓練數據量可以讓得出的結果更準確，數據量比較小的時候需要很多的訓練輪數，模型設計也要考慮到較小的數據量。