Анализ временного ряда shampoo-sales. Сеть делает предсказание на своих же предсказаниях

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
import keras
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense, Dropout
import pickle
 
 
n_past = 5
 
# switch to google colab
flag_google_colab = False
# /switch to google colab
 
# switch to google Jupyter
flag_jupyter = False
# /switch to google Jupyter
 
if flag_google_colab:
    # для google colab
    from google.colab import drive
    drive.mount('/content/gdrive')
    google_colab_prefix_data_folder = '/content/gdrive/MyDrive/Colab Notebooks/'  # csv ложим в папку data
    # /для google colab
else:
 
    google_colab_prefix_data_folder = ''
 
if flag_jupyter:
    pass
    # %matplotlib inline
 
fold_csv = google_colab_prefix_data_folder + 'data/shampoo-sales.csv'
fpickle = google_colab_prefix_data_folder + 'learned.pkl'
 
df = pd.read_csv(fold_csv)
 
cols = list(df)[1:6]
 
df_for_training = df[cols].astype(float)
 
np_common_data_2Dmatr = df_for_training.to_numpy()
 
train, test = np_common_data_2Dmatr[0:-12], np_common_data_2Dmatr[
    -12:]  # train за год берем, test - за 2
 
scaler = StandardScaler()
scaler = scaler.fit(train)
np_common_data_2Dmatr_scaled = scaler.transform(train)
 
n_past = 5
n_future = 1
 
 
def save_model(model):
    """
       Сохранить только веса модели в pickle файл.Это карта
       key:int-номер слоя => value - значение матрицы весов.
    """
    len_layers = len(model.layers)
    weights = {}
    for i in range(len_layers):
        weights[i] = model.layers[i].get_weights()
 
    with open(fpickle, 'wb') as f:
        pickle.dump(weights, f)
        print(f'saved learned to {fpickle}')
 
 
def build_model_lstm(period_n_X, n_vars_X, n_out_Y, random_initializer):
    if random_initializer:
        seed = None
    else:
        seed = 1
    initializer = keras.initializers.RandomNormal(mean=0.0,
                                                  stddev=0.05,
                                                  seed=seed)
    model = Sequential()
 
    model.add(
        LSTM(64,
             activation='relu',
             input_shape=(period_n_X, n_vars_X),
             return_sequences=True,
             kernel_initializer=initializer))
    model.add(
        LSTM(32,
             activation='relu',
             return_sequences=False,
             kernel_initializer=initializer))
    model.add(Dropout(0.2))
    model.add(Dense(n_out_Y, kernel_initializer=initializer))
 
    model.compile(optimizer='adam', loss='mse')
    model.summary()
 
    return model
 
 
def make_lstm(period_n_X,
              n_vars_X,
              n_out_Y,
              fdump=None,
              random_initializer=False):
    """
      Загружаем из pickle веса в модель(из функции build_model_lstm()) как обученную,
      если указан параметр-имя файла fdump, если нет выдаем модель для compile/fit.
    """
    model = build_model_lstm(period_n_X, n_vars_X, n_out_Y, random_initializer)
    if fdump:
        params = {}
        with open(fdump, 'rb') as f:
            params = pickle.load(f)
        len_layers = len(model.layers)
 
        for i in range(len_layers):
            model.layers[i].set_weights(params[i])
 
        print('loaded learned model')
 
    return model
 
 
def pass_window_n_past_dot_n_future(n_past, n_future,
                                    common_data_2D_matr: np.ndarray):
 
    trainX = []
    trainY = []
    height_common_data = common_data_2D_matr.shape[0]
    width_common_data = common_data_2D_matr.shape[1]
 
    for i in range(n_past, height_common_data - n_future + 1):
        trainX.append(common_data_2D_matr[i - n_past:i, 0:width_common_data])
        trainY.append(common_data_2D_matr[i:i + n_future, 0])
 
    trainX, trainY = np.array(trainX), np.array(trainY)
 
    print('trainX shape == {}.'.format(trainX.shape))
    print('trainY shape == {}.'.format(trainY.shape))
 
    return trainX, trainY
 
 
def pass_window_dot_n_past_d_n_past_plus_one(n_past,
                                             common_data_2D_matr: np.ndarray):
    """
      Persistant look back forward - непрерывный 
      анализ временного ряда, на вход сети размер окна t - 1, на выход t.
    """
    trainX = []
    trainY = []
    height_common_data = common_data_2D_matr.shape[0]
    width_common_data = common_data_2D_matr.shape[1]
 
    for i in range(n_past, height_common_data - n_past):
        trainX.append(common_data_2D_matr[i - n_past:i, 0:width_common_data])
        trainY.append(common_data_2D_matr[i - n_past:i - n_past + 1, 0])
 
    trainX, trainY = np.array(trainX), np.array(trainY)
 
    print('trainX shape == {}.'.format(trainX.shape))
    print('trainY shape == {}.'.format(trainY.shape))
 
    return trainX, trainY
 
 
def learn(epochs, batch_size=3, validation_split=0.10):
    trainX, trainY = pass_window_dot_n_past_d_n_past_plus_one(
        n_past, np_common_data_2Dmatr_scaled)
    vars_n_X = trainX.shape[2]
    model = make_lstm(n_past, vars_n_X, n_past + 1)
 
    model.compile(optimizer='adam', loss='mse')
    model.summary()
 
    history = model.fit(
        trainX,
        trainY,
        epochs=epochs,
        batch_size=batch_size,
        validation_split=validation_split,
        verbose=1,
    )
    plt.plot(history.history['loss'], label='Training loss')
    plt.plot(history.history['val_loss'], label='Validation loss')
    plt.legend()
    plt.show()
    save_model(model)
 
 
def predict_long_period(
        model,
        first_test_period,  # 3D matrix
        n_periods):
    """
       Должна работать на своих же предсказаниях
    """
    scaler_test = StandardScaler()
    scaler_test.fit(first_test_period[0])
    first_test_period_scaled = scaler_test.transform(first_test_period[0])
    scales = []
 
    n_past = first_test_period.shape[1]
    y_pred = [None] * n_periods
    for i in range(n_periods):
        if i == 0:
            scaler_test.fit(first_test_period[0])
            first_test_period_scaled = scaler_test.transform(
                first_test_period[0])
            scales.append(np.mean(scaler.scale_) + np.mean(scaler_test.scale_)) # накапливаем масштабы
            scales.append(np.mean(scaler.mean_) + np.mean(scaler_test.mean_))
            answer = model.predict(np.array([first_test_period_scaled]))
            answer = answer * scales[-2] + scales[-1]
            y_pred[i] = answer
 
        else:
            last_answer = y_pred[i - 1]
            np_last_answer = np.array([last_answer])
            scaler_test.fit(np_last_answer[0])
            scales.append(scales[-2] + np.mean(scaler_test.scale_)) # накапливаем масштабы
            scales.append(scales[-1] + np.mean(scaler_test.mean_))
            np_last_answer = scaler_test.transform(np_last_answer[0])
            np_last_answer_reshaped = np_last_answer.reshape(1, n_past + 1, 1)
            np_last_answer_slice = np_last_answer_reshaped[:, -n_past:, :]
            answer = model.predict(np_last_answer_slice)
            answer = answer * scales[-2] + scales[-1]
            y_pred[i] = answer
 
    return np.array(y_pred).flatten()
 
 
#-------------------------------------------------------------------
# Program
#-------------------------------------------------------------------
# learn(50)
# Для Рис.2
 
testX = np.array([np_common_data_2Dmatr_scaled[-n_past:]
                  ])  # Возмем последние 5 месяцев обучаещего набора
model = make_lstm(n_past, 1, n_past + 1, fdump='learned.pkl')
y_pred = predict_long_period(model, testX, 2)
 
test_real = test[:]  # 12 реальных месяцев
test_real_flatten = test_real.flatten()
fig = plt.figure(figsize=(10.0, 10.0))
ax = fig.add_subplot()
fig.suptitle('''Как точно предсказывает(зеленая)\n
12 месяцев продаж шампуня, делая предсказания на своих же предсказаниях''')
ax.set_xlabel('месяцы')
ax.set_ylabel('цена')
ax.plot(test_real_flatten, 'r-', label='real')
ax.plot(y_pred, 'g-', label='AI')
ax.legend()
plt.show()
 
"""
# Для Рис.1
model = make_lstm(n_past, 1, n_past + 1, fdump='learned.pkl')
test_n_past=test[0 :n_past] #  проверочный ввод сети - 5 месяцев
scaler_test = StandardScaler() # скалирую по 5-ти тестовым месяцам, которые я выбрал
scaler_test.fit(test_n_past)
testX = scaler_test.transform(test_n_past) #  проверочный ввод сети, скалированный- 5 месяцев
 
test_real=test[0: n_past + 1] # 6 реальных месяцев
test_real_flatten=test_real.flatten()
 
 
prediction = model.predict(np.array([testX])) # 6 реальных месяцев как поняла это ИНС, не скалированные
prediction_price = prediction * \
np.mean(scaler_test.scale_) + \
        np.mean(scaler_test.mean_) # 6 реальных месяцев как поняла это ИНС, используем последние масштабируемости для Скэляра - 
        #это первые 5 месяцев теста - среднее 
print(prediction_price) 
 
fig = plt.figure(figsize=(10.0, 10.0))
ax = fig.add_subplot()
fig.suptitle('''Как точна модель для 5 месяцев,  6 - ой месяц предсказала''')
ax.set_xlabel('месяцы')
ax.set_ylabel('цена')
# ax.text(2 , 3,''' Показывает что продажи шампуня будут более высокими чем низкими
#   пики покупок и падения покупок есстесственно предсказать не может''' )
 
ax.plot(test_real_flatten, 'r-', label='real')
ax.plot(prediction_price[0],
        'g-',
        label='AI')
ax.legend()
plt.show()
"""