У меня есть проблема при использовании RNN, и я хочу предсказать несколько шагов вперед. Код «работает», но вывод не имеет смысла, в основном t 2 намного точнее, чем t 1, и то же самое относится к t 3, и очень нелогично, что вывод на один шаг вперед должен быть значительно менее точным. Настройка данных выглядит следующим образом; Мы хотим спрогнозировать общий объем продаж (на нескольких платформах) за данный час. Данных об общем объеме продаж не хватает, поэтому мы не располагаем ими постоянно. Продажи на внутренней платформе осуществляются в режиме реального времени, поэтому никаких задержек с этими данными нет. Наконец, у нас есть внешний прогноз, однако прогноз статичен и пересматривается не очень часто, но у нас он далеко в будущем. Проблема прогнозирования заключается в том, что мы хотим предсказать общий объем продаж на ближайшие 4 часа. Однако, поскольку общие данные о продажах задерживаются, мы уже знаем, каковы наши внутренние продажи за первый час, и у нас также есть внешний прогноз на все 4 часа. Как включить это в мою модель? Является ли моя текущая настройка правильным методом для этого?

Входные переменные имеют форму (Образцы, временные рамки, функции), где первый столбец в X_array[:,0,:] соответствует наблюдениям, которые являются первыми в последовательности, поэтому он является самой старой частью и аналогичен для Y_train —gt; Y_train[Имена целей].столбцы = [‘t 1’, ‘t 2’, ‘t 3’, ‘t 4’]

Приведенный ниже код является имитацией проблемы, а это означает, что второй элемент AE/MAPE должен быть меньше первого элемента — gt; t 2 имеет меньшую ошибку, чем t 1:

 from tensorflow.keras.callbacks import EarlyStopping from sklearn.preprocessing import StandardScaler, MinMaxScaler import math import pandas as pd import numpy as np import tensorflow as tf from tensorflow import keras   import datetime as dt  pd.options.mode.chained_assignment = None # default='warn'  

Сделать данные

 df = pd.date_range('2021-01-01', '2021-12-01', freq='H') df = pd.DataFrame(df[0:len(df)-1], columns={'DateTime'}) df['TotalSales'] = 0 np.random.seed(1) for i in df.index:   if i == df.index[0]:  df['TotalSales'].iloc[i] = 1  else:  x = df['TotalSales'].iloc[i-1]   np.random.normal(0, 1, 1)  if x lt; 0:  df['TotalSales'].iloc[i] = 1   0.1 * math.exp(x)  else:  df['TotalSales'].iloc[i] = 1   0.9 * x  df['InternalSales'] = 0.2 * df['TotalSales']   np.random.normal(0, 0.2, len(df)) df['ExternalForecast'] = df['TotalSales']   np.random.normal(0, 2, len(df)) df['ExternalForecast'][df['ExternalForecast']lt;0] = 0.1  df['InternalSales'].iloc[len(df)-3:] = np.nan # We do not know these observations df['TotalSales'].iloc[len(df)-4:] = np.nan # We do not know these observations  df.set_index('DateTime', inplace=True)  df.tail()  

Выровнять данные

 df['InternalSales_Lead1'] = df['InternalSales'].shift(-1) df['ExternalForecast_Lead2'] = df['ExternalForecast'].shift(-4) # typo df['ExternalForecast_Lead4'] =..  pd.set_option('display.max_columns', 5) df.tail()  

Setting

 valid_start = '2021-10-01' test_start = '2021-11-01' Gran = 60 # minutes  Names = ['InternalSales_Lead1', 'ExternalForecast_Lead2'] Target = 'TotalSales' AlternativeForecast = 'ExternalForecast'   TimeSteps = 24 # hours HORIZON = 4 # step ahead  X_array = df.copy() X_array = X_array[Names]  df.reset_index(inplace=True)  Data = df[df['DateTime'].dt.date.astype(str) lt; test_start]  scaler = StandardScaler().fit(Data[Names]) yScaler = MinMaxScaler().fit(np.array(Data[Target]).reshape(-1, 1))  df['Scaled_'   Target] = yScaler.transform(np.array(df[Target]).reshape(-1, 1))  X_array = pd.DataFrame(scaler.transform(X_array), index=X_array.index,columns=X_array.columns)   def LSTM_structure(Y, X, timestep, horizon, TargetName):   if TargetName==None:  print('TargetName must be specified')    Array_X = np.zeros(((len(X) - timestep   1), timestep, len(X.columns)))   for variable in range(0,len(X.columns)):  col = X.columns[variable]   for t in range(timestep, len(X) 1):  # Array_X[t - timestep,:,variable] = np.array(X[col].iloc[(t - timestep):t]).T  Array_X[t - timestep, :, variable] = X[col].iloc[(t - timestep):t].values    if horizon ==1:  Y_LSTM = Y[(timestep - 1):]  Y_LSTM['t' str(horizon)] = Y_LSTM[TargetName]   else:  Y_LSTM = Y[(timestep - 1):]  for t in range(1,horizon 1):  Y_LSTM['t   '   str(t)] = Y_LSTM[TargetName].shift(-(t-1))    return Y_LSTM, Array_X  Y_total, X_array = LSTM_structure(Y=df[['DateTime', Target, 'Scaled_'   Target, AlternativeForecast]], X=X_array, timestep=TimeSteps, horizon=HORIZON, TargetName='Scaled_'   Target) # X_array.shape = (7993, 24, 2)  Y_total.reset_index(drop=True, inplace=True)  Y_train = Y_total[Y_total['DateTime'].dt.date.astype(str) lt; valid_start]  X_train_scale = X_array[Y_train.index,:,:]  Y_Val = Y_total[(Y_total['DateTime'].dt.date.astype(str) gt;= valid_start) amp; (Y_total['DateTime'].dt.date.astype(str) lt; test_start)]  X_val_scale = X_array[Y_Val.index,:,:]  Y_test = Y_total[Y_total['DateTime'].dt.date.astype(str) gt;= test_start]  X_test_scale = X_array[Y_test.index,:,:]  

Model

 TargetNames = Y_total.filter(like='t   ').columns  LATENT_DIM = 5 BATCH_SIZE = 32 EPOCHS = 10  try:  del model except Exception:  pass  model = keras.Sequential() model.add(keras.layers.GRU(LATENT_DIM, input_shape=(TimeSteps, X_train_scale.shape[2]))) model.add(keras.layers.RepeatVector(HORIZON)) model.add(keras.layers.GRU(LATENT_DIM, return_sequences=True)) model.add(keras.layers.TimeDistributed(keras.layers.Dense(1))) model.add(keras.layers.Flatten())  model.compile(optimizer='SGD', loss='mse')  model.summary()  earlystop = EarlyStopping(monitor='val_loss', min_delta=0, patience=3, restore_best_weights=True)  i = 1 np.random.seed(i) tf.random.set_seed(i)  hist = model.fit(X_train_scale,  Y_train[TargetNames],  batch_size=BATCH_SIZE,  epochs=EPOCHS,  validation_data=(X_val_scale, Y_Val[TargetNames]),  callbacks=[earlystop],  verbose=1)  y_hat_scaled = model.predict(X_test_scale)   for i in range(1, HORIZON 1):  Y_test['Predict_t   '   str(i)] = yScaler.inverse_transform(np.array(y_hat_scaled[:,i-1]).reshape(-1, 1))  

Make format correct

 for i in range(1, HORIZON   1):   if i == 1:  Performance = Y_test[['DateTime', Target, AlternativeForecast,'Predict_t   '  str(i)]]   else:  Temp = Y_test[['DateTime', 'Predict_t   '  str(i)]]  Temp['DateTime'] = Temp['DateTime']   dt.timedelta(minutes=Gran * (i-1))   Performance = pd.merge(Performance, Temp[['DateTime', 'Predict_t   '  str(i)]], how='left', on='DateTime')  

Plot

 from matplotlib import pyplot as plt plt.plot(Performance['DateTime'], Performance[Target], label=Target) for i in range(1, HORIZON   1):  plt.plot(Performance['DateTime'], Performance['Predict_t   '  str(i)], label='Predict_t   '  str(i))  plt.title('Model Performance') plt.ylabel('MW') plt.xlabel('Time') plt.legend() plt.show()  

Performance

 for i in range(1, HORIZON   1):  ae= (Performance['Predict_t   '  str(i)] - Performance[Target]).abs().mean()  mape = ((Performance['Predict_t   '  str(i)] - Performance[Target]).abs()/Performance[Target]).mean() * 100   if i == 1:  AE= ae  MAPE = round(mape,2)  else:  AE= np.append(AE, ae)  MAPE = np.append(MAPE, round(mape,2))  # Alternative forecast ae = (Performance[AlternativeForecast] - Performance[Target]).abs().mean() mape = ((Performance[AlternativeForecast] - Performance[Target]).abs()/Performance[Target]).mean() * 100  AE= np.append(AE, ae) MAPE = np.append(MAPE, round(mape, 2))   AE MAPE  

I hope one of you have time to help me with this problem of mine 🙂