এলএসটিএম (বা অন্যান্য পুনরাবৃত্ত) নিউরাল নেটওয়ার্ক থেকে টাইম সিরিজের পূর্বাভাসের আশেপাশে ভবিষ্যদ্বাণী ব্যবধান (সম্ভাব্যতা বিতরণ) গণনা করার কোনও পদ্ধতি আছে কি?
বলুন, উদাহরণস্বরূপ, আমি ভবিষ্যতে 10 টি নমুনা (t + 1 থেকে t + 10) ভবিষ্যদ্বাণী করছি, গত 10 টি পর্যবেক্ষণ হওয়া নমুনার (টি -9 থেকে টি) এর উপর ভিত্তি করে, আমি টি + 1 এ ভবিষ্যদ্বাণীটি আরও বেশি হবে বলে আশা করব টি + 10 এ পূর্বাভাসের চেয়ে নির্ভুল। সাধারণত, বিরতি প্রদর্শনের জন্য কেউ ভবিষ্যদ্বাণীটির চারপাশে ত্রুটি বারগুলি আঁকতে পারে। একটি এআরআইএমএ মডেল (সাধারণত বিতরণ ত্রুটিগুলির অনুমানের অধীনে), আমি প্রতিটি পূর্বাভাসকৃত মানকে ঘিরে একটি পূর্বাভাস ব্যবধান (যেমন 95%) গণনা করতে পারি। আমি কি একটি এলএসটিএম মডেল থেকে একই (বা পূর্বাভাস ব্যবধানের সাথে সম্পর্কিত কিছু) গণনা করতে পারি?
আমি Keras / পাইথন মধ্যে LSTMs সঙ্গে কাজ করা হয়েছে করছি, থেকে উদাহরণ প্রচুর নিম্নলিখিত machinelearningmastery.com যেখান থেকে আমার উদাহরণস্বরূপ কোড (নীচে) উপর ভিত্তি করে তৈরি। আমি সমস্যাটিকে বিভাজন হিসাবে বিভাজন হিসাবে শ্রেণীবদ্ধ হিসাবে পুনর্বিবেচনা বিবেচনা করছি, কারণ এটি প্রতি শ্রেণীর প্রতি আস্থা তৈরি করে, তবে এটি একটি দুর্বল সমাধান বলে মনে হচ্ছে।
এখানে বেশ কয়েকটি অনুরূপ বিষয় রয়েছে (যেমন নীচের মতো) তবে কিছুই এলএসটিএম (বা প্রকৃতপক্ষে অন্যান্য) নিউরাল নেটওয়ার্কগুলি থেকে ভবিষ্যদ্বাণী ব্যবস্থার সমস্যাটিকে সরাসরি সম্বোধন করে বলে মনে হচ্ছে না:
/stats/25055/how-to-calculate-the-confidence-interval-for-time-series-prediction
এলআরএম বনাম এলএসটিএম ব্যবহার করে সময় সিরিজের পূর্বাভাস
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from math import sin
from matplotlib import pyplot
import numpy as np
# Build an LSTM network and train
def fit_lstm(X, y, batch_size, nb_epoch, neurons):
X = X.reshape(X.shape[0], 1, X.shape[1]) # add in another dimension to the X data
y = y.reshape(y.shape[0], y.shape[1]) # but don't add it to the y, as Dense has to be 1d?
model = Sequential()
model.add(LSTM(neurons, batch_input_shape=(batch_size, X.shape[1], X.shape[2]), stateful=True))
model.add(Dense(y.shape[1]))
model.compile(loss='mean_squared_error', optimizer='adam')
for i in range(nb_epoch):
model.fit(X, y, epochs=1, batch_size=batch_size, verbose=1, shuffle=False)
model.reset_states()
return model
# Configuration
n = 5000 # total size of dataset
SLIDING_WINDOW_LENGTH = 30
SLIDING_WINDOW_STEP_SIZE = 1
batch_size = 10
test_size = 0.1 # fraction of dataset to hold back for testing
nb_epochs = 100 # for training
neurons = 8 # LSTM layer complexity
# create dataset
#raw_values = [sin(i/2) for i in range(n)] # simple sine wave
raw_values = [sin(i/2)+sin(i/6)+sin(i/36)+np.random.uniform(-1,1) for i in range(n)] # double sine with noise
#raw_values = [(i%4) for i in range(n)] # saw tooth
all_data = np.array(raw_values).reshape(-1,1) # make into array, add anothe dimension for sci-kit compatibility
# data is segmented using a sliding window mechanism
all_data_windowed = [np.transpose(all_data[idx:idx+SLIDING_WINDOW_LENGTH]) for idx in np.arange(0,len(all_data)-SLIDING_WINDOW_LENGTH, SLIDING_WINDOW_STEP_SIZE)]
all_data_windowed = np.concatenate(all_data_windowed, axis=0).astype(np.float32)
# split data into train and test-sets
# round datasets down to a multiple of the batch size
test_length = int(round((len(all_data_windowed) * test_size) / batch_size) * batch_size)
train, test = all_data_windowed[:-test_length,:], all_data_windowed[-test_length:,:]
train_length = int(np.floor(train.shape[0] / batch_size)*batch_size)
train = train[:train_length,...]
half_size = int(SLIDING_WINDOW_LENGTH/2) # split the examples half-half, to forecast the second half
X_train, y_train = train[:,:half_size], train[:,half_size:]
X_test, y_test = test[:,:half_size], test[:,half_size:]
# fit the model
lstm_model = fit_lstm(X_train, y_train, batch_size=batch_size, nb_epoch=nb_epochs, neurons=neurons)
# forecast the entire training dataset to build up state for forecasting
X_train_reshaped = X_train.reshape(X_train.shape[0], 1, X_train.shape[1])
lstm_model.predict(X_train_reshaped, batch_size=batch_size)
# predict from test dataset
X_test_reshaped = X_test.reshape(X_test.shape[0], 1, X_test.shape[1])
yhat = lstm_model.predict(X_test_reshaped, batch_size=batch_size)
#%% Plot prediction vs actual
x_axis_input = range(half_size)
x_axis_output = [x_axis_input[-1]] + list(half_size+np.array(range(half_size)))
fig = pyplot.figure()
ax = fig.add_subplot(111)
line1, = ax.plot(x_axis_input,np.zeros_like(x_axis_input), 'r-')
line2, = ax.plot(x_axis_output,np.zeros_like(x_axis_output), 'o-')
line3, = ax.plot(x_axis_output,np.zeros_like(x_axis_output), 'g-')
ax.set_xlim(np.min(x_axis_input),np.max(x_axis_output))
ax.set_ylim(-4,4)
pyplot.legend(('Input','Actual','Predicted'),loc='upper left')
pyplot.show()
# update plot in a loop
for idx in range(y_test.shape[0]):
sample_input = X_test[idx]
sample_truth = [sample_input[-1]] + list(y_test[idx]) # join lists
sample_predicted = [sample_input[-1]] + list(yhat[idx])
line1.set_ydata(sample_input)
line2.set_ydata(sample_truth)
line3.set_ydata(sample_predicted)
fig.canvas.draw()
fig.canvas.flush_events()
pyplot.pause(.25)