可下载资源

简单的介绍

我用 xt∈R 表示单变量数据，其中 t∈T 是观察数据时的时间索引。时间 t 在 T=Z 的情况下可以是离散的，或者在 T=R 的情况下是连续的。为简化分析，我们将仅考虑离散时间序列。

LSTM 网络通常由通过层连接的内存块（称为单元）组成。单元中的信息同时包含在单元状态 Ct 和隐藏状态 ht 中，并由称为门的机制通过 sigmoid 和 tanh 激活函数进行调节。

sigmoid 函数/层输出 0 到 1 之间的数字，其中 0 表示 没有通过 ， 1 表示 全部通过。因此，LSTM 能够有条件地从单元状态中添加或删除信息。

一般来说，门将前一时间步 ht-1 和当前输入 xt 的隐藏状态作为输入，并将它们逐点乘以权重矩阵 W，并将偏差 b 添加到乘积中。

加载必要的库和数据集

# 加载必要的包
library(keras)

或者安装如下：

此外，使用差分而不是原始值更容易建模，并且生成的模型具有更高的预测能力。

#将数据转换为平稳性
did = diff
head

滞后数据集

LSTM 期望数据处于监督学习模式。也就是说，有一个目标变量 Y 和预测变量 X。为了实现这一点，我们通过滞后序列来变换序列，并将时间 (t−k)的值作为输入，将时间 t 的值作为输出，用于 k 步滞后数据集。

 
sps= laorm
head(sps)

## 分成训练集和测试集
 
N = nrow
n = round
tran = sud[1:n, ]
tt  = sud[(n+1):N,  ]

标准化数据

就像在任何其他神经网络模型中一样，我们将输入数据 X 重新标准化到激活函数的范围。如前所述，LSTM 的默认激活函数是 sigmoid 函数，其范围为 [-1, 1]。下面的代码将有助于这种转换。

## 标准化数据
 
 
 
Sad = scaa(trin, et, c(-1, 1))
 
y_in = Sed$slrn[, 2]
x_tn = Scd$sldin[, 1]
 
y_st = Sald$sleet[, 2]
x_st = Saed$sett[, 1]

将需要以下代码将预测值恢复为原始比例。

## 逆变换
invtg = function(sle, slr, fue = c(0, 1))

批量大小必须是训练样本和测试样本大小的共同因素。可以找到 LSTM 输入的一个很好的解释 

 
# 将输入重塑为 3-维
 
# 指定所需的参数
 
bahse = 1 # 必须是训练样本和测试样本的公因子
ni = 1 # 可以调整这个，在模型调整阶段
 
#====================
 
keras_model_sequential
layer_lstm%>%
   layer_dense
 

编译模型

在这里，我将 mean_squared_error指定 为损失函数，将自适应矩估计 Adam指定为优化算法，并在每次更新时指定学习率和学习率衰减。最后，我使用 准确性 作为评估模型性能的指标。

compile(
 
  optimizer = optimizer_adam
)

模型汇总

summary

拟合模型

我们设置参数 shuffle  = FALSE 以避免打乱训练集并保持 xixi 和 xi+txi+t 之间的依赖关系。LSTM 还需要在每个 epoch 之后重置网络状态。为了实现这一点，我们在 epoch 上运行一个循环，在每个 epoch 中我们拟合模型并通过参数 reset_states()重置状态。

for(i in 1:phs ){
  model %>% fit
  model %>% reset_states
}

作出预测

for(i in 1:L){
      # 反转缩放
      yhat = invert_scaling
      # 逆差分
      yhat = yhat + Sis[(n+i)]
     
}

绘制值