在 Keras 中使用神经网络进行样本外预测 (Python)

Question

我正在使用 window 方法进行时间序列预测练习，但我很难理解如何进行样本外预测。这是代码：

def windowed_dataset(series, window_size, batch_size, shuffle_buffer):
  dataset = tf.data.Dataset.from_tensor_slices(series)
  dataset = dataset.window(window_size + 1, shift=1, drop_remainder=True)
  dataset = dataset.flat_map(lambda window: window.batch(window_size + 1))
  dataset = dataset.shuffle(shuffle_buffer).map(lambda window: (window[:-1], window[-1]))
  dataset = dataset.batch(batch_size).prefetch(1)
  return dataset

dataset = windowed_dataset(x_train, window_size, batch_size, shuffle_buffer_size)

函数 windowed_dataset 将单变量时间序列 series 拆分为矩阵。想象一下，我们有一个数据集如下

dataset = tf.data.Dataset.range(10)
for val in dataset:
   print(val.numpy())
0
1
2
3
4
5
6
7
8
9

windowed_dataset函数将series转换成windows，左边是x features，右边是y labels。

[2 3 4 5] [6]
[4 5 6 7] [8]
[3 4 5 6] [7]
[1 2 3 4] [5]
[5 6 7 8] [9]
[0 1 2 3] [4]

下一步，我们在训练dataset上实现神经网络模型如下：

model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(10, input_shape=[window_size], activation="relu"),
    tf.keras.layers.Dense(10, activation="relu"), 
    tf.keras.layers.Dense(1)
])

model.compile(loss="mse", optimizer=tf.keras.optimizers.SGD(lr=1e-6, momentum=0.9))
model.fit(dataset,epochs=100,verbose=0)

到这里为止，我对代码没问题。但是，我很难理解下面显示的样本外预测：

forecast = []
for time in range(len(series) - window_size):  
  forecast.append(model.predict(series[time:time + window_size][np.newaxis]))
forecast = forecast[split_time-window_size:]

有人可以向我解释一下为什么我们在这里为 time in range(len(series) - window_size) 使用循环吗？为什么不简单地为验证部分做 model.predict(dataset_validation) 而为训练部分做 model.predict(dataset) 呢？

我不明白 for loop 的必要性，因为这不是滚动预测，我们不会重新训练模型。有人可以给我解释一下吗？

虽然我理解数据科学社区为什么以这种方式构建 dataset，但我个人认为当我们拆分 X 和 y 并执行 model.fit如下model.fit(X,y,epochs=100,verbose=0)和predict如下model.predict(X)

Answer 1

for 循环按顺序返回预测，而如果您调用 model.predict(dataset_validation)，您将获得打乱顺序的预测（假设您打乱了数据集）。

至于使用数据集的意义 - 它可以帮助组织代码。不想用就不用用。

在 Keras 中使用神经网络进行样本外预测 (Python)

Out of Sample Forecasting using Neural Network in Keras (Python)

python-3.x

tensorflow

keras

neural-network

forecasting