1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
| import matplotlib.pyplot as plt
import pandas as pd
from sklearn.preprocessing import StandardScaler
import numpy as np
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense, Dropout
import pickle
"""
Когда мы работаем с мультивариантным временным рядом, т.е. когда есть скажем
для одного дня несколько колонок(несколько переменных).Решение вывод сети должен
быть 1 выход, это 1 параметр дня.
Восстанавливаем данные по формуле (*), причем mean и std могут ъ
быть в 2-х вариантах, это параметры скалирования обучаещего набора-модель далека, рис.1.
и параметры тестировочных данных - модель становится близкой, рис.2.
Вообще чтобы вернуть из стандартизированного состояния, надо
X=X_startart_d * std + mean,
где X - восстановленные данные,
X_startart_d - ранее стандартизированные данные,
std - параметр отклонения после стандартизации,
mean - параметр среднее после стандартизации.
2 последних это вообще вектора.
Если так не делать, надо использовать mean так:
X=X_startart_d * mean(std) + mean(mean), (*)
ведь std и mean это 1D векторы (класс StandartScalar).
Но здесь для предсказанного воспользуемся средним.
---------------------------------------------------
Program:
Обученная (обучалась функцией learn() в google colab) модель строит графики, создает модель
цен на акции (Генерал Електик) на данных на которых она
не училась, это цена открытия (1 параметр 1-го дня),
ведь сеть у нас имееет 1 выход после предварительных
5 дней (с 5-ю параметрами)(LSTM принимает у нас n_kolvo 2D матриц 5 на 5).
Иммем ввиду 2 варианта восстановления предсказания для формулы (*).
"""
n_future = 1
n_past = 5
# для google colab
# from google.colab import drive
# drive.mount('/content/gdrive')
# fold_csv = '/content/gdrive/MyDrive/Colab Notebooks/data/GE.csv'
# fpickle = '/content/gdrive/MyDrive/Colab Notebooks/learned.pkl'
# /для google colab
# для компа
fold_csv = './data/GE.csv'
fold_csv_ask = './data/GE_ask.csv'
fpickle = 'learned.pkl'
# /для компа
df = pd.read_csv(fold_csv) #df.shape -> (251, 7)
df_test = pd.read_csv(fold_csv_ask) #df.shape -> (251, 7)
train_dates = pd.to_datetime(df['Date'])
# type(train_dates[0]) -> <class 'pandas._libs.tslibs.timestamps.Timestamp'>
#Variables for training
cols = list(df)[1:6]
#Date and volume columns are not used in training.
print(cols) #['Open', 'High', 'Low', 'Close', 'Adj Close']
df_for_training = df[cols].astype(float) # len(df_for_training) -> 251
#LSTM uses sigmoid and tanh that are sensitive to magnitude so values need to be normalized
# normalize the dataset
scaler = StandardScaler()
scaler = scaler.fit(df_for_training)
common_data_2D_matr = scaler.transform(df_for_training)
"""
Сохранить только веса модели в pickle файл.Это карта
key:int-номер слоя => value - значение матрицы весов.
"""
def save_model(model):
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):
model = Sequential()
model.add(
LSTM(64,
activation='relu',
input_shape=(period_n_X, n_vars_X),
return_sequences=True))
model.add(LSTM(32, activation='relu', return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(n_out_Y))
model.compile(optimizer='adam', loss='mse')
model.summary()
return model
def make_lstm(period_n_X, n_vars_X, n_out_Y, fdump=None):
"""
Загружаем из pickle веса в модель(происходит в функции build_model_lstm() построение модели) 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)
if fdump:
params = {}
with open(fdump, 'rb') as f:
params = pickle.load(f)
len_layers = len(model.layers)
for i in range(len_layers):
print('i=', i)
model.layers[i].set_weights(params[i])
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 learn():
trainX, trainY = pass_window_n_past_dot_n_future(n_past, n_future,
common_data_2D_matr)
model = make_lstm(n_past, n_past, n_future)
model.compile(optimizer='adam', loss='mse')
model.summary()
history = model.fit(trainX,
trainY,
epochs=7,
batch_size=16,
validation_split=0.20,
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)
# Program
cols = list(df)[1:6]
model = make_lstm(n_past, 5, 1, fdump='learned.pkl')
df_for_testing = df_test[cols].astype(float) # len(df_for_training) -> 251
np_X_for_forecast = df_for_testing.loc[0:].to_numpy()
np_real_all_periods = df_for_testing.loc[0:].to_numpy().flatten()
y_pred = []
scaler_test = StandardScaler()
scaler_test.fit(np_X_for_forecast)
np_X_for_forecast_scaled = scaler_test.transform(np_X_for_forecast)
testX, _ = pass_window_n_past_dot_n_future(n_past, n_future,
np_X_for_forecast_scaled)
_, Y = pass_window_n_past_dot_n_future(n_past, n_future, np_X_for_forecast)
test_X_height = testX.shape[0]
for i in range(test_X_height):
prediction = model.predict(np.array([testX[i]]))
prediction_valuta = prediction * np.mean(scaler_test.scale_) + np.mean(
scaler_test.mean_)
y_pred.append(prediction_valuta[0][0])
Y_height = Y.shape[0]
y_one_par = []
for i in range(Y_height):
y_one_par.append(Y[i][0])
fig = plt.figure(figsize=(10.0, 10.0))
ax = fig.add_subplot()
fig.suptitle('''Насколько точна ИНС модель учившеся прошлые 4 года\n на
следующий год - это 2021 (Акции Генерал Электрик).\n
Реальная и предсказанная цена открытия''')
ax.set_xlabel('дни и часы')
ax.set_ylabel('цена')
ax.plot(y_one_par, 'r-', label='real onen price in one day')
ax.plot(y_pred,
'g-',
label='predicted 1 days 1 par by past five days in 2021 year')
ax.legend()
plt.show()
# plt.savefig('gr_real_pred_d_one_par.png') |
