加载序列数据

加载示例数据。chickenpox_dataset包含一个时间序列,随着时间的推移步骤对应月和值相应的病例数量。输出是一个单元阵列,其中每个元素是一个时间步。重塑一个行向量数据。

数据= chickenpox_dataset;数据=({}):数据;图绘制(数据)包含(“月”)ylabel (“案例”)标题(“月度水痘病例”)

分区的训练和测试数据。火车在第一次90%的序列和测试最后10%。

地板numTimeStepsTrain =(0.9 *元素个数(数据)

numTimeStepsTrain = 448

dataTrain =数据(1:numTimeStepsTrain + 1);人数(=数据(numTimeStepsTrain + 1:结束);

标准化数据

为更好的适应和防止培训不同,规范训练数据零均值和单位方差。预测,必须规范使用相同的参数测试数据作为训练数据。

μ=意味着(dataTrain);sig =性病(dataTrain);dataTrainStandardized = (dataTrain -μ)/团体;

准备预测和响应

预测未来时间的步骤序列的值,指定的响应作为训练序列与由一个时间步长值转移。也就是说,在每个时间步的输入序列,LSTM网络学习来预测下一个时间步的价值。预测是没有最后的时间步长训练序列。

XTrain = dataTrainStandardized (1: end-1);YTrain = dataTrainStandardized(2:结束);

训练网络使用深层网络设计师,将训练数据转换成一个数据存储对象。使用arrayDatastore将训练数据预测和响应ArrayDatastore对象。使用结合结合这两种数据存储。

adsXTrain = arrayDatastore (XTrain);adsYTrain = arrayDatastore (YTrain);cdsTrain =结合(adsXTrain adsYTrain);

定义LSTM网络体系结构

要创建LSTM网络体系结构,使用深层网络设计师。的深层网络设计师应用程序允许您构建、可视化、编辑和火车深度学习网络。

deepNetworkDesigner

在深层网络设计师起始页,暂停Sequence-to-Sequence并点击开放。这样做打开一个预先构建的网络适合sequence-to-sequence分类任务。你可以分类网络转换成一个回归网络取代最后一层。

删除将softmax层和分类层,代之以一个回归层。

调整图层的属性使他们适合水痘的数据集。这个数据只有一个输入特性和一个输出特性。选择sequenceInputLayer并设置InputSize来1。选择fullyConnectedLayer并设置OutputSize来1。

检查你的网络点击分析。网络如果准备培训深入学习网络分析仪零错误报告。

导入数据

导入培训数据存储,选择数据选项卡并单击导入数据>导入数据存储。选择cdsTrain作为训练数据,没有一个验证数据。点击进口。

数据预览显示一个输入时间序列和一个响应时间序列,每个448时间步。

指定培训选项

在培训选项卡上,单击培训方案。集解算器来亚当,InitialLearnRate来0.005,MaxEpochs来500年。防止梯度爆炸,设置GradientThreshold来1。

设置培训选项的更多信息,请参阅trainingOptions。

列车网络的

点击火车。

深层网络设计师显示一个动画情节展示培训进展。情节显示mini-batch损失和精度,验证损失和准确性,和额外的信息在培训的进展。

培训完成后,通过点击导出训练网络出口在培训选项卡。训练网络保存的trainedNetwork_1变量。

预测未来时间的步骤

测试训练网络预测在未来多个时间步骤。使用predictAndUpdateState时间预测函数一次一个步骤在每个预测和更新网络状态。对于每一个预测,使用前面的预测函数作为输入。

标准化测试数据使用相同的参数作为训练数据。

dataTestStandardized =(人数(μ)/团体;XTest = dataTestStandardized (1: end-1);欧美=人数((2:结束);

初始化网络状态,首先对训练数据预测XTrain。接下来,让第一个预测使用最后一个时间步的训练反应YTrain(结束)。循环剩余的预测和输入之前的预测predictAndUpdateState。

对于大型数据集合,长序列,或大型网络,预测在GPU上通常比预期更快的计算CPU。否则,预测在CPU上通常是更快的计算。一步预测单次使用CPU。预测使用的CPU,设置“ExecutionEnvironment”选择predictAndUpdateState来“cpu”。

网= predictAndUpdateState (trainedNetwork_1 XTrain);[净,YPred] = predictAndUpdateState(净,YTrain(结束));numTimeStepsTest =元素个数(XTest);为我= 2:numTimeStepsTest[净,YPred(:,我)]= predictAndUpdateState(净,YPred(张:,)“ExecutionEnvironment”,“cpu”);结束

Unstandardize预测使用前面计算的参数。

YPred =团体* YPred +μ;

培训情节进展报告均方根误差(RMSE)从标准化的数据计算。计算的RMSE unstandardized预测。

rmse =√意味着(YPred-YTest)。^ 2))

rmse =单175.9693

情节的培训时间序列预测的值。

图绘制(dataTrain (1: end-1))在idx = numTimeStepsTrain:(numTimeStepsTrain + numTimeStepsTest);情节(idx (numTimeStepsTrain) YPred][数据,“。”)举行从包含(“月”)ylabel (“案例”)标题(“预测”)传说([“观察”“预测”])

比较测试数据的预测价值。

图次要情节(2,1,1)情节(欧美)在情节(YPred“。”)举行从传奇([“观察”“预测”])ylabel (“案例”)标题(“预测”次要情节(2,1,2)干细胞(YPred -欧美)包含(“月”)ylabel (“错误”)标题(" RMSE = "+ rmse)

更新网络状态与观测值

如果你有访问时间的实际值预测之间的步骤,你可以更新网络状态与观测值的预测值。

首先,初始化网络状态。在一个新的序列进行预测,重置网络状态使用resetState。重置网络状态阻止先前的预测影响预测新数据。重置网络状态,然后初始化网络状态由训练数据的预测。

网= resetState(净);网= predictAndUpdateState(净,XTrain);

预测在每个时间步。对于每一个预测,预测下一个时间步使用前面的时间步的观测值。设置“ExecutionEnvironment”选择predictAndUpdateState来“cpu”。

YPred = [];numTimeStepsTest =元素个数(XTest);为i = 1: numTimeStepsTest[净,YPred(:,我)]= predictAndUpdateState(净,XTest(:,我)“ExecutionEnvironment”,“cpu”);结束

Unstandardize预测使用前面计算的参数。

YPred =团体* YPred +μ;

计算均方根误差(RMSE)。

rmse =√意味着(YPred-YTest)。^ 2))

rmse = 119.5968

比较测试数据的预测价值。

图次要情节(2,1,1)情节(欧美)在情节(YPred“。”)举行从传奇([“观察”“预测”])ylabel (“案例”)标题(“与更新预测”次要情节(2,1,2)干细胞(YPred -欧美)包含(“月”)ylabel (“错误”)标题(" RMSE = "+ rmse)

这里的预测更准确的更新网络状态时观察到的值而不是预测的值。