Question

我想知道是否有人看过这样的东西。我的预测似乎总是遵循数据的实际形式，但总是最终向下移动或向上移动。有时似乎也很正确。预先感谢您的帮助。

编辑：数据来自在finance.yahoo.com上的亚马逊股票收盘价。

我的代码如下所示。我这里没有列出一个回调，因为即使不使用该回调，结果也会发生，尽管该回调似乎在回调中更频繁地发生。

完整的工作代码：

import numpy as np
import pandas as pd
from sklearn import preprocessing
from keras.preprocessing.sequence import TimeseriesGenerator
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense
from keras.layers import Bidirectional
from keras.layers import SimpleRNN
from keras.layers import Flatten
import matplotlib.pyplot as plt
from keras.utils import plot_model
from numpy.random import seed

from keras.callbacks import ModelCheckpoint

data = pd.read_csv("D:\\AMZN2.csv",header=0,usecols=['Date','Close'],parse_dates=True,index_col='Date')

# Scaled data such that it is centered at 0 with unit variance.
scaler = preprocessing.MinMaxScaler(feature_range=(0,1))
scaledData = scaler.fit_transform(data)

train = scaledData[:5000]
validation = scaledData[5000:5250]
test = scaledData[5250:]

# Generator Creation #
trainGen = TimeseriesGenerator(data=train,targets=train,length=1,
                              sampling_rate=1,stride=1,
                              shuffle=False,reverse=False,
                              batch_size=8)

valGen = TimeseriesGenerator(data=validation,targets=validation,length=1,
                              sampling_rate=1,stride=1,
                              shuffle=False,reverse=False,
                              batch_size=8)
testGen = TimeseriesGenerator(data=test,targets=test,length=1,
                              sampling_rate=1,stride=1,
                              shuffle=False,reverse=False,
                              batch_size=8) #length 1 batch_size 500

# Designing the Model #
AMZN = Sequential()
AMZN.add(LSTM(32,return_sequences=False,input_shape=(1,1)))
AMZN.add(Dense(1))

# Compiling and training the model #
steps_per_epoch = np.ceil(train.shape[0]/128)
#RMSprop
AMZN.compile(loss='mean_absolute_error',optimizer='adam',metrics=['mae','mse'])
history = AMZN.fit_generator(trainGen,validation_data=valGen,#steps_per_epoch = steps_per_epoch,
                   epochs=20,verbose = 1)

# Predicting and undoing the scaling #
predictions = AMZN.predict_generator(testGen)
predictions = scaler.inverse_transform(predictions)
test = scaler.inverse_transform(test)

# Plotting the Prediction and Test #
plt.plot(predictions,'--',label='Predictions')
plt.plot(test,label='Actual')
plt.xlabel("Observation")
plt.ylabel("Price")
plt.title("AMZN Stock Prediction Vs. Actual")
plt.legend()
plt.show()

编辑编辑编辑：

predict = np.zeros(len(test)+1)
predict[0] = AMZN.predict(np.asarray([[train[-1]]]))

for i in range(len(test)):
    predict[i+1] = AMZN.predict(test[i].reshape(1,1,1))
    predict[i] = scaler.inverse_transform(predict[i].reshape(1,1))

此手册方法的训练结果（陡峭的下降是因为我使用了np.zeros和一个额外的零）：

编辑：

根据我的预测方式，我会说长度是用于预测的输入空间中变量的数量。这是因为当我指定长度为3时，我需要提供model.predict函数3个值。

Answer 1

如果您尝试使用随机数据教授LSTM，您会看到类似的行为。此短代码将以与您使用的股票价格类似的形式生成随机数据：

data = random(5528)-0.5
data[0]=1456
for i in range(1,len(data)):
    data[i]+=data[i-1]
data.resize((5528,1))

使用您的代码，它将生成以下图片。 https://i.stack.imgur.com/weXXz.png 如您所见，随机数据的行为非常相似。

您使用了length = 1，这意味着预测明天它将使用今天的价格。预测将包含比测试少的一项。

In [31]: len(test)
Out[31]: 278

In [32]: len(predictions)
Out[32]: 267

所以首先要纠正的是绘图：

plt.plot(predictions,'--',label='Predictions')
plt.plot(test[1:],label='Actual')

进行此更改后，您将比较明天的价格和明天的预计价格。

第二个问题是1值根本无法预测。您不能说太多，明天的价格可能会保持不变。

第三件事不是问题，可以，网络将学习向上或向下的移位。

递归神经网络预测遵循测试集的形状，但向下移动

1 个答案: