Форум программистов, компьютерный форум, киберфорум
Konst2016
Войти
Регистрация
Восстановить пароль
Оценить эту запись

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

Запись от Konst2016 размещена 24.11.2021 в 14:44

Здравствуйте дорогие читатели!)Хочу показать модель
где я предсказывал список shampoo-sales, что это такое?
Это 3 года по 12 месяцев и в каждом месяце показано
количество проданного шампуня за даннный месяц.
Вот он:
Bash
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
"Month","Sales"
"1-01",266.0
"1-02",145.9
"1-03",183.1
"1-04",119.3
"1-05",180.3
"1-06",168.5
"1-07",231.8
"1-08",224.5
"1-09",192.8
"1-10",122.9
"1-11",336.5
"1-12",185.9
"2-01",194.3
"2-02",149.5
"2-03",210.1
"2-04",273.3
"2-05",191.4
"2-06",287.0
"2-07",226.0
"2-08",303.6
"2-09",289.9
"2-10",421.6
"2-11",264.5
"2-12",342.3
"3-01",339.7
"3-02",440.4
"3-03",315.9
"3-04",439.3
"3-05",401.3
"3-06",437.4
"3-07",575.5
"3-08",407.6
"3-09",682.0
"3-10",475.3
"3-11",581.3
"3-12",646.9
Таким образом у нас имеется не мультивариантный времянной ряд, так как
у нас здесь колонка 'Sales'.Что я делаю?
Я разбиваю обучающий набор на 2 года(в нем в методе fit тоже происходит разделение-
validation_split=0.10) + 1 год, для 1-го оставшегося годя я тестирую модель(предсказываю
прошлое так сказать)и для него же строю графики предсказанного моделью
за прошлые начальные 5 месяцев тестового набора 6-ти месяцев (зеленое AI),
и красный(реальный)-это тот же период 6-ти месяцев , это Рис. 1.Рис. 2 - это сеть делает предсказание на 5 месяцев train набора,
а дальше на своих же предсказаниях делает предсказание еще на полгода,
так предсказывает полный тестовый год(зеленое).
Здесь я использую функцию pass_window_dot_n_past_d_n_past_plus_one() - это
Persistant look back forward - непрерывный анализ временного ряда(подробнее
в комментарии к функции) что бы получить список окон для обучения сети.
Python
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
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
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()
"""
(Как обучалась)
gr_learn.png
Нажмите на изображение для увеличения
Название: gr_learn.png
Просмотров: 45
Размер:	17.6 Кб
ID:	7246

Рис. 1
gr_predict.png
Нажмите на изображение для увеличения
Название: gr_predict.png
Просмотров: 35
Размер:	41.5 Кб
ID:	7244

Рис. 2
gr_predict_sama_je_na_sebe.png
Нажмите на изображение для увеличения
Название: gr_predict_sama_je_na_sebe.png
Просмотров: 35
Размер:	49.5 Кб
ID:	7245
Размещено в Без категории
Показов 272 Комментарии 0
КиберФорум - форум программистов, компьютерный форум, программирование
Powered by vBulletin® Version 3.8.9
Copyright ©2000 - 2021, vBulletin Solutions, Inc.