数据导入与清洗于网络设值

在数据导入时我使用的是pd.read_csv函数

#设置LSTM的时间窗等参数
window=1
lstm_units = 8
dropout = 0.001
epoch=200
#读取数据
data1=pd.read_csv('GOLD_2021.csv')
data2=pd.read_csv('LBMA-GOLD.csv')
test_ata=data2.iloc[:,0]
data1.drop('1978/12/29',axis = 1,inplace = True)
df1=data1
df1.rename(columns={'226':'Value'},inplace=True)
df1.dropna(inplace=True)
#df1.tail()
print(data1)

window：时间窗
lstm_units ：基本单元
dropout ：步长
epoch：迭代次数

归一化

from sklearn import preprocessing
min_max_scaler = preprocessing.MinMaxScaler()
df0=min_max_scaler.fit_transform(df1)
df = pd.DataFrame(df0, columns=df1.columns)
input_size=len(df.iloc[1,:])

数据集和训练集的划分

#构建lstm输入
stock=df
seq_len=window
amount_of_features = len(stock.columns)#有几列
data = stock.as_matrix() #pd.DataFrame(stock) 表格转化为矩阵
sequence_length = seq_len + 1#序列长度
result = []
for index in range(len(data) - sequence_length):#循环数据长度-sequence_length次result.append(data[index: index + sequence_length])#第i行到i+sequence_length
result = np.array(result)#得到样本，样本形式为6天*3特征
row =9827#划分训练集测试集
train = result[:int(row), :]
x_train = train[:, :-1]
y_train = train[:, -1][:,-1]
x_test = result[int(row):, :-1]
y_test = result[int(row):, -1][:,-1]
#reshape成 6天*3特征
X_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], amount_of_features))
X_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], amount_of_features))
print(y_train[:10], X_train.shape, y_train.shape, X_test.shape, y_test.shape)
print(x_train.shape[0], x_train.shape[1], amount_of_features)

LSTM模型建立

#建立LSTM模型 训练
inputs=Input(shape=(window, input_size))
model=Conv1D(filters = lstm_units, kernel_size = 1, activation = 'sigmoid')(inputs)#卷积层
model=MaxPooling1D(pool_size = window)(model)#池化层
model=Dropout(dropout)(model)#droupout层
model=Bidirectional(LSTM(lstm_units, activation='tanh'), name='bilstm')(model)#双向LSTM层
attention=Dense(lstm_units*2, activation='sigmoid', name='attention_vec')(model)#求解Attention权重
model=Multiply()([model, attention])#attention与LSTM对应数值相乘
outputs = Dense(1, activation='tanh')(model)#输入只有一个
model = Model(inputs=inputs, outputs=outputs)
model.compile(loss='mse',optimizer='adam',metrics=['accuracy'])#损失函数，优化器，比较函数
model.summary()#展示模型结构

训练模型

history=model.fit(X_train, y_train, epochs = epoch, batch_size = 32,shuffle=False,validation_data=(X_test, y_test)) #训练模型epoch次

迭代图像

#迭代图像
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs_range = range(epoch)
plt.plot(epochs_range, loss, label='Train Loss')
plt.plot(epochs_range, val_loss, label='Test Loss')
plt.legend(loc='upper right')
plt.title('Train and Val Loss')
plt.show()
plt.savefig("LSTM_GOLD1.png")

训练结果

#在训练集上的拟合结果
y_train_predict=model.predict(X_train)
y_train_predict=y_train_predict[:,0]
draw=pd.concat([pd.DataFrame(y_train),pd.DataFrame(y_train_predict)],axis=1)
draw.iloc[0:row,0].plot(figsize=(12,6))
draw.iloc[0:row,1].plot(figsize=(12,6))
plt.legend(('real', 'predict'),fontsize='15')
plt.title("Train Data",fontsize='30') #添加标题

此文仅作为个人笔记，有问题可以私信

2022美赛LSTM相关推荐

2022美赛E题（森林的碳封存）——赛题解读解题思路
2022美赛E题(森林的碳封存)--赛题解读&解题思路 2023美赛题分析已经出了! 赛题目的一. 预测碳吸收模型 ==1.1. 问题分析==: 1.2. 查资料:碳排放怎么估计&碳 ...
数学建模学习（64）：2022美赛C题股票投资策略回顾讲解，教你正确打数学建模比赛
比赛结束,所以我才正式发一下自己的思路,美赛国赛我不会发比赛思路.我们来聊一聊美赛C题到底在怎么理解? 一.读题,教你正确读题首先说一下我也犯的大忌:大家都知道我们大多数数学建模都是英文版的,题目也 ...
2022美赛E题思路记录
从大二开始参加数学建模,到现在研三,一转眼已经过了将近6年了,由于没有综测的要求了,这一次第一次以旁观者身份参与美赛.参加两次美赛,一次成绩是M奖,另一次是H奖,所以有一点经验分享给童鞋们,如果大家有 ...
2022美赛A题自行车到底怎么骑
今年美赛A题就是2021年东京奥运会奥地利女博士后Anna Kiesenhofer单枪匹马勇夺女子公路自行车比赛金牌故事的翻版,主题问题就是求解自行车运动员在近40km的赛程中应该如何分配功率以获得更 ...
数学建模学习（63）：2022美赛单变量深度学习LSTM 时间序列分析预测
换汤不换药,有手就会基础肥皂案例数据集如下: 你的数据只要能跟它合上就行,年份和数据. 你只需要修改的地方: 套上去就完事,完整代码: # coding=gbk """ ...
2022美赛C题预测模型
由于影响资产价格的波动机理非常复杂,难以简单的运用数学模型加以解释,数据量较大需预处理且非平稳波动,很难利用传统的统计学模型和计量经济学模型预测.而神经网络这种高度复杂的非线性自学习抽象人工模拟,具有 ...
2022美赛C题题目及思路--交易策略
背景:市场交易者经常买卖波动较大的资产,以实现总回报最大化为目标.通常每笔买卖都有佣金.其中两种资产是黄金和比特币. 图 1. 黄金日价格,美元每金衡盎司.资料来源:伦敦金银市场协会,2021 年 ...
2022美赛F题题目及思路--人人为我，我（空间）为人人
背景世界上大多数国家都签署了 1967 年的联合国<外层空间条约>,同意"探索和利用外层空间, 包括月球和其他天体,应为所有国家的利益和利益而进行,不论其程度如何经济或科学发展 ...
数学建模竞赛2022美赛
文章目录前言一.中文底稿摘要 1.问题重述 1.1 问题的背景 1.2 问题的重述 2.问题分析 2.1 问题一分析 2.2 问题二分析 2.3 问题三分析 2.4 问题四分析 3.模型假设 4 ...
2022美赛数学建模B题思路分享
上次是飓风无人机三维装箱问题加图论扫图,这次是无人机加无线电设备布火灾预警图,盲猜下次是与海有关的灾害(手动滑稽)

2022美赛LSTM

2022数学建模LSTM

数据导入与清洗于网络设值

归一化

数据集和训练集的划分

LSTM模型建立

训练模型

迭代图像

训练结果

2022美赛LSTM相关推荐

最新文章

热门文章