# 定义模型参数
class NetConfig():
def __init__(self):
self.rnn_unit = 10
self.input_size = 7
self.output_size = 1
self.lr = 0.0006
self.time_step = 20
self.batch_size = 80
self.weights = {
"in":tf.Variable(tf.random_normal([self.input_size,self.rnn_unit])),
"out":tf.Variable(tf.random_normal([self.rnn_unit,self.output_size]))
}
self.biases = {
"in":tf.Variable(tf.constant(0.1,shape=[self.rnn_unit,])),
"out":tf.Variable(tf.constant(0.1,shape=[self.output_size,]))
}
# 定义训练模型
class MyModel():
def __init__(self):
self.sess = tf.Session()
self.nc = NetConfig()
def train_rnn(self,data,save_path,iter_num):
weights = self.nc.weights
biases = self.nc.biases
input_size = self.nc.input_size
rnn_unit = self.nc.rnn_unit
output_size = self.nc.output_size
time_step = self.nc.time_step
batch_size = self.nc.batch_size
lr = self.nc.lr
sess = self.sess
X = tf.placeholder(tf.float32,shape=[None,time_step,input_size])
Y = tf.placeholder(tf.float32,shape=[None,time_step,output_size])
batch_index,train_x,train_y = get_train_data(data)
pred,_ = self.rnn(X)
# 损失函数
loss = tf.reduce_mean(tf.square(tf.reshape(pred,[-1])-tf.reshape(Y,[-1])))
train_op = tf.train.AdamOptimizer(lr).minimize(loss)
saver = tf.train.Saver(tf.global_variables(),max_to_keep = 15)
sess.run(tf.global_variables_initializer())
# 重复训练10000次
total_loss = []
for i in range(iter_num):
for step in range(len(batch_index)-1):
_,loss_ = sess.run([train_op,loss],feed_dict = {X:train_x[batch_index[step]:batch_index[step+1]],Y:train_y[batch_index[step]:batch_index[step+1]]
total_loss.append(loss_)
if i%10 == 0:
print("迭代第:"+str(i)+ "次, Loss为:" + str(loss_))
if i%20 ==0:
print("保存模型:",saver.save(sess,save_path,global_step=i))
return total_loss
# 预测模型
def predict_rnn(self,data,model_path):
weights = self.nc.weights
biases = self.nc.biases
input_size = self.nc.input_size
rnn_unit = self.nc.rnn_unit
output_size = self.nc.output_size
time_step = self.nc.time_step
batch_size = self.nc.batch_size
lr = self.nc.lr
sess = self.sess
X = tf.placeholder(tf.float32,shape = [None,time_step,input_size])
mean_,std_,test_x,test_y = get_test_data(data)
pred,_ = self.rnn(X)
saver = tf.train.Saver(tf.global_variables())
# 参数恢复
module_file = tf.train.lasest_checkpoint(model_path)
saver.restore(sess,module_file)
test_predict = []
for step in range(len(test_x)-1):
prob_ = sess.run(pred,feed_dict={X:[test_x[step]]})
predict = prob.reshape((-1))
test_predict.extend(predict)
test_y = np.array(test_y)*std_[7] + mean_[7]
test_predict = np.array(test_predict)*std_[7] + mean_[7]
acc = np.average(np.abs(test_predict - test_y[:len(test_predict)])/test_y[:len(test_predict)])
return test_y,test_predict,acc
def rnn(self,X):
weights = self.nc.weights
biases = self.nc.biases
input_size = self.nc.input_size
rnn_unit = self.nc.rnn_unit
output_size = self.nc.output_size
time_step = self.nc.time_step
batch_size = self.nc.batch_size
lr = self.nc.lr
sess = self.sess
batch_size = tf.shape(X)[0]
time_step = tf.shape(X)[1]
w_in = weights["in"]
b_in = biases["in"]
input_ = tf.reshape(X,[-1,input_size])
input_rnn = tf.matmul(input_,w_in)+b_in
input_rnn = tf.reshape(input_rnn,[-1,time_step,rnn_unit])
cell = tf.nn.rnn_cell.BasicRNNCell(rnn_unit)
init_state = cell.zero_state(batch_size,dtype = tf.float32)
output_rnn,final_states = tf.nn.dynamic_rnn(cell,input_rnn,initial_state = init_state,dtype = tf.float32)
output = tf.reshape(output_rnn,[-1,rnn_unit])
w_out = weights['out']
b_out = biases['out']
pred = tf.matmul(output,w_out)+b_out
return pred,final_states
def plot_train_loss(total_loss):
plt.figure()
plt.plot(list(range(len(total_loss))), total_loss, color='b')
plt.show()
def plot_predict(test_y, test_predict):
plt.figure()
plt.plot(list(range(len(test_predict))), test_predict, color='b')
plt.plot(list(range(len(test_y))), test_y, color='r')
plt.show()
f=open('dataset_2.csv')
df=pd.read_csv(f) #读入股票数据
data=df.iloc[:,2:10].values #取第3-10
my_model = MyModel()
f=open('data/dataset.csv')
df=pd.read_csv(f)
data=df.iloc[:,2:10].values
my_model = MyModel()
total_loss_rnn = my_model.train_rnn(data,save_path = "./stock_model_rnn/model", iter_num = 200)
tf.reset_default_graph()
my_model = MyModel()
test_y,test_predict = my_model.predict_rnn(data, "./stock_model_rnn/")
plot_predict(test_y, test_predict)
error_rnn = np.sum((test_y[1:300] - test_predict[1:300])**2)
print(error_rnn)
相关推荐
PCA与RNN结合的时序数据分类预测实践
主成分分析(PCA)作为经典的特征降维技术,通过正交变换将高维数据投影到低维空间,保留主要特征的同时解决维度灾难问题。循环神经网络(RNN)凭借其记忆单元设计,特别适合处理具有时序依赖性的数据。将PCA与RNN结合,既能有效提取数据关键特征,又能捕捉时间序列中的长期模式,这种混合架构在工业预测场景中展现出独特优势。在设备故障预警、金融时间序列分析等实际应用中,该方案通过MATLAB实现完整的工程化流程,包含数据预处理、模型优化到GUI集成的关键技术细节,为工程人员提供了可直接复用的参考实现。
神经网络参数估计:理论与实践
1.背景介绍 神经网络参数估计是一种用于训练神经网络的方法,它旨在根据输入数据和目标输出来估计神经网络中各个权重和偏差的值。在过去的几年里,随着深度学习技术的发展,神经网络参数估计已经成为一种非常重要的技术,它在图像识别、自然语言处理、语音识别等领域取得了显著的成果。 在本文中,我们将从以下几个方面进行讨论: 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具...
基于循环神经网络的股票预测
股票价格的预测是学界和业界一直以来尝试去研究解决的问题,由于股票的价格受到的影响因素众多,涵盖了上市公司基本面,产品价格的波动,国内的宏观经济数据,国际市场的各种金融资产和价格的波动等等,并且各个变量与股票价格的走势并非线性,因此传统的计量经济学模型并不能很好地解决股票价格的预测问题。
RNN模型(大白话+公式推导)
标准神经网络不适合处理带时间序列的网络场景(标准神经网络不适合处理带时间序列的网络场景)
RNN初探(vanilla RNN)
RNN初探 前言 实习工作需要,不得不入个新坑。 为什么需要Recurrent Neuron Network (RNN) 全连接神经网络(FCN)和卷积神经网络(CNN)所针对的输入对象相互之间可以没有关系,不分先后顺序,比如如果要对猫和狗的图像进行分类,猫和狗的输入顺序是无所谓的。不过,如果要识别视频中狗的动作,那么就需要一个新的网络(当然这里就是RNN啦)来分析这种序列数据。 举例 序列数据其实在生活中无处不在: 机器翻译 异常检测(图像) 股票分析预测 天气与蚊虫繁殖的关系… 只要有序列数据,
循环神经网络的股票价格指数预测【matlab源码】
股票价格指数预测的关键是使用历史数据对未来趋势进行建模预测。本文采用证券交易平台中的股票基础数据,结合技术指标构建模型的输入数据集。为了提高预测模型的准确性,需要对特征数据进行筛选和降维处理。为此,本文采用了神经网络模型,特别是循环神经网络(RNN)及其变种来建模股票指数数据。在本文的研究中,为了对上证指数的未来趋势进行预测,构建了基于递归特征消除(RFE)和改进鲸鱼优化算法(GSWOA)的LSTM网络模型。针对深证成指的预测任务,本文采用了LASSO算法和麻雀优化算法(SSA)相结合的GRU模型。
RNN参数详解+实例分析
import torch from torch import nn import numpy as np from torch import optim rnn = nn.RNN(input_size=100,hidden_size=10,num_layers=2) #初始化一个RNN网络 # input_size 是一个单词或者汉字的size,比如你embedding的时候,一个单词用一个10...
用RNN(循环神经网络)预测股票价格
本文演示了用Python编写的一个股票价格预测脚本,利用了TensorFlow和Keras库来构建和训练一个循环神经网络(RNN)模型,预测股票价格的相对完整的过程。
两秒了解基础RNN模型
2分钟学会使用tensorflow搭建Rnn模型
基于深度学习RNN的股票预测Tensorflow2.0实战
实战目录软件准备1. Anaconda 3最新版Tensorflow2.1.0/python3.7.1数据下载RNN基本知识实战代码预测准确率 软件准备 1. Anaconda 3最新版Tensorflow2.1.0/python3.7.1 方法有多种,可以在Navigator中安装;也可以到prompt中用conda install 或者pip install 安装具体安装并测试代码,大家可以自行搜寻。CSDN上有很多,这里仅给出一个随便查找的windows环境下tensorflow安装过程详解。我本人也
Python和TensorFlow深度学习股票市场应用实战指南
NumPy是一个基础的Python库,它提供了高性能的多维数组对象和工具,用于处理大型数组和矩阵。NumPy的数组(ndarray)对象是整个库的核心,它提供了一种存储和操作数据的基础数据结构。这些ndarray对象支持多种数据类型和维度,并提供了一系列高级数学函数,这些数学函数可以对整个数组进行操作,而无需编写循环语句。# 创建一个一维数组# 创建一个二维数组# 数组的数学操作示例# 数组的通用函数操作示例在上述代码中,我们首先导入NumPy库,并创建了一维和二维的数组对象。
曹健老师 TensorFlow2.1 —— 第六章 循环神经网络
第一章 第二章 第三章 第四章 第五章 本章目的:用 RNN 实现连续数据的预测 ( 以股票预测为例 ) 6.1 循环核 循环核:具有记忆力,通过不同时刻的参数共享,实现了对时间序列的信息提取。循环核如下图所示,圆柱为记忆体,记忆体下面、侧面、上面分别有三组待训练的参数矩阵. 记忆体个数可被指定,改变记忆体容量,当记忆体个数被指定,输入、输出维度被指定,周围待训练参数的维度也就被限定了. 记忆体内存储着每个时刻的状态信息为,当前时刻循环核的输出特征为,计算公式为: 在前...
Elman网络在时间序列预测中的应用与实践
Elman循环神经网络(RCN)是一种特有的递归神经网络,它在处理序列数据时表现出色,因而在语音识别、自然语言处理及时间序列预测等领域被广泛应用。与传统的前馈神经网络不同,Elman网络在隐藏层中引入了反馈连接,使得网络能够记忆和利用之前的输入信息,这是它的核心优势所在。本章将介绍Elman网络的基本结构、工作原理以及它如何处理时序数据。我们将从浅入深地探讨网络的构成组件,包括输入层、隐藏层和输出层,以及它们之间如何相互作用。
【RNN对时序数据的回归预测】
RNN是深度学习领域的一个重要分支,它对于处理序列数据,如股票价格、天气变化、语音信号等,具有天然的优势。我们将通过解释其基本概念、展示其优缺点,并提供一个简单的代码示例来全面了解RNN在时序数据回归预测中的作用。RNN在时序数据回归预测方面具有独特的优势,尤其是其对时间序列的动态建模能力。然而,它也面临着一些挑战,如梯度问题和计算资源的需求。尽管存在这些缺点,RNN仍然是许多时序预测任务的强大工具。通过适当的架构选择和训练技巧,可以克服这些挑战,有效利用RNN进行时间序列数据的预测。
MATLAB实现基于XGBoost-RNN-PSO 极限梯度提升(XGBoost)结合递归神经网络(RNN)与粒子群优化算法(PSO)进行股票价格预测的详细项目实例(含完整的程序,GUI设计和代码详解
本文提出了一种融合XGBoost、RNN和PSO算法的股票价格预测混合模型。该模型通过XGBoost捕捉非线性特征,RNN建模时序依赖,PSO优化超参数,形成"梯度提升-深度序列-群体优化"的闭环预测框架。研究采用MATLAB实现,支持Python互操作调用原生XGBoost,在缺失依赖时可使用LSBoost替代。实验结果表明,该方法能有效提升预测精度和稳定性,同时保持特征重要性和时序贡献的可解释性。项目提供了从数据预处理、特征工程到模型训练、评估和部署的完整流程,适用于股票、期货等多种
从零到一:OptimizePI Pre-layout PDN前仿真实战指南
本文详细介绍了如何使用OptimizePI进行电源完整性(PDN)前仿真,从软件安装配置到元器件建模、去耦电容配置及仿真参数设置,提供了实战技巧和常见问题排查指南。通过OptimizePI的Pre-layout仿真,工程师可以在PCB布局前优化电源分配网络,显著提升设计效率并降低成本。
基于贝叶斯优化混合CNN-RNN进行股市预测(Matlab代码实现)
通过文献调研,现阶段大部分股票择时的研究还是集中在传统的统计学模型上,将深度学习的理念应用于股票择时领域的研究寥寥无几。近年来,深度学习模型取得了长足的发展,正因为如此,CNN模型和RNN模型越来越多的进入到了人们的视野之中,而由CNN和 RNN组合形成的混合CNN-RNN模型势必有着良好的发展前;本文模型构建的大体思路就是将先进的CNN-RNN混合模型理念应用到股票择时令顶域,建立出能解决股票择时问题的模型,填补该领域的空白。此代码中使用了生成类似股票市场的过程(股票序列)。行百里者,半于九十。
GaN制备micro-led(一)
随着第三代半导体 GaN 材料的快速发展,GaN 基 LED 发展迅速并广泛商业化,这 为可见光通信的实现及应用提供了基础。然而,普通商用 LED 的调制带宽只有几十兆 赫兹,并不能很好的满足可见光通信系统高传播速率的需求。为增大调制带宽,针对发 射端 LED 光源部分的改进仍需提高。将光子晶体结构引入 LED 芯片量子阱内部,能够 影响光子寿命和光子传播,进而改变 LED 芯片的调制带宽和光提取效率。结合倒装微 尺寸(Micro)LED 结构,使其封装体积最小化,这使得可见光通信能够更加灵活地.
python sequence_用TF和Keras在Python中预测股票价格
预测股价一直是吸引投资者和研究人员的话题。投资者总是猜测股票的价格是否会上涨,因为有许多复杂的财务指标,只有投资者和具有良好财务知识的专业人员才能理解,所以股市的走势对普通百姓来说非常难以琢磨。但是随着AI人工智能技术的兴起,它可以帮助我们进行股票价格预测并获得稳定的财富,并且可以帮助专家获得最有用的指标并做出更好的预测。本教程的目的是在TensorFlow 2和Keras中构建一个预测股市价格的...
CentOS7全隔离环境部署Nvidia Tesla A100 40G驱动与CUDA工具包实战
本文详细介绍了在CentOS7全隔离环境下部署Nvidia Tesla A100 40G显卡驱动与CUDA工具包的实战经验。通过构建本地YUM仓库、解决驱动依赖问题以及三重验证法,确保Tesla A100与CUDA 11.7的完美兼容。同时分享了Anaconda3离线部署技巧,帮助用户在隔离环境中高效搭建Python GPU开发环境。
图解电动汽车:电动汽车电控系统
电动汽车的电控系统通常包含三个子控制系统 —— 整车控制器、电池管理系统、驱动电机控制器。 整车控制器 VCU 整车控制器 VCU(Vehicle Control Unit)作为电动汽车的中央控制单元,是整个控制系统的核心,也是各个子系统的调控中心。VCU 的主要功能就是协调管理整车的运行状态,包括采集电机及电池状态,采集加速踏板信号、制动踏板信号、执行器及传感器信号,根据驾驶员的意图综合分析做出相应判定后,监控下层的各部件控制器的动作,它负责汽车的正常行驶、制动能量回馈、整车发动机及动力电池的能量管理、.
DeepSeek在股票预测中的准确率如何?
DeepSeek是一种基于深度学习的预测模型,它结合了循环神经网络(RNN)和卷积神经网络(CNN)的优点,以处理时间序列数据中的非线性和时间依赖性。这种模型特别适合于金融市场,因为它能够捕捉到股票价格变动的复杂模式。
Linux系统故障排查思路实践教程(上)
本文主要介绍了Linux系统日志分析与常见故障排查的实用方法。首先从系统日志的分类及其涉及的日志文件进行说明;其次详细讲解了忘记用户密码的解决方案;接着对系统无法启动问题,提供了异常断电后修复文件系统、/etc/fstab文件丢失恢复等常见故障的处理方案。最后介绍了文件系统只读错误的排查思路和修复方法,包括磁盘空间检查、文件系统修复等实用技巧。全文提供了大量具体命令和操作流程,为Linux系统维护人员提供了实用的故障处理指南。
281



被折叠的 条评论
为什么被折叠?



