我怎样才能得到预测未来的后续（下一个）值？

Question

def create_dataset(signal_data, look_back=1):
    dataX, dataY = [], []
    for i in range(len(signal_data) - look_back):
        dataX.append(signal_data[i:(i + look_back), 0])
        dataY.append(signal_data[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

train_size = int(len(signal_data) * 0.80)
test_size = len(signal_data) - train_size - int(len(signal_data) * 0.05)
val_size = len(signal_data) - train_size - test_size
train = signal_data[0:train_size]
val = signal_data[train_size:train_size+val_size]
test = signal_data[train_size+val_size:len(signal_data)]

x_train, y_train = create_dataset(train, look_back)
x_val, y_val = create_dataset(val, look_back)
x_test, y_test = create_dataset(test, look_back)

我使用 create_dataset 和 look_back=20。

signal_data 使用最小-最大规范化进行预处理 MinMaxScaler(feature_range=(0, 1))。

这是我的模型定义：

model = Sequential()
model.add(LSTM(64, input_shape=(None, 1), return_sequences=True))
model.add(Dropout(l))

model.add(LSTM(64))
model.add(Dropout(l))

model.add(Dense(64))
model.add(Dropout(l))

model.add(Dense(1))

x_test 形状是 (1340, 20, 1) 和

y_test形状是(1340,)

现在...你如何获得以下（下一个）值？

我想获取下一个值，例如 model.predict 等...

我有x_test和x_test[-1] == t所以，下一个值的含义是t+1，t+2，.... t+n，在这个例子中我想得到t+1, t+2 ... t+n

如果你想要完整的源代码（包括数据集）那么你可以在这里看到https://gist.github.com/Lay4U/e1fc7d036356575f4d0799cdcebed90e

Answer 1

假设 total_data 是您的总数据集，sc 是您的 MinMaxScaler。然后，在训练网络之后，您可以通过执行以下操作来预测下一个 n 值。

inputs = total_data[len(total_data) - n - look_back:].values

inputs = inputs.reshape(-1,1)
inputs = sc.transform(inputs)
X_test = []
for i in range(look_back, inputs.shape[0]):
    X_test.append(inputs[i-look_back:i, 0])
X_test = np.array(X_test)
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))
predicted_stock_price = model.predict(X_test)
predicted_stock_price = sc.inverse_transform(predicted_stock_price)

print predicted_stock_price.shape 会产生 (n, 1) 的形状，这是您要预测的值的数量。

我怎样才能得到预测未来的后续（下一个）值？

how can I get the predict future following(next) value?

python

prediction

lstm

keras

tensorflow