python - Keras 批量训练在线预测不学习

Question

我一直在做一个副项目，试图自己用 Keras 学习机器学习，我想我被困在这里了。

我的目的是预测拥有 31 个站点的公共共享系统的自行车可用性。现在我只训练我的模型来预测一个站点的可用性。我想通过批量训练进行在线预测。我想开始给它一些自行车，例如，00:00N 给定的时间步长加上一年中的某一天和工作日。

输入数据是这样的：

• 一年中的哪一天，编码为整数，1-JAN 为 0，2-JAN 为 1...
• 以 5' 间隔编码为整数的时间与以前相同，00:00 为 0，00:05 为 1...
• 工作日，再次编码为 int

然后将这 3 列归一化，然后我添加引用自行车的列，它们是一个热编码，如果车站有 20 辆自行车，编码数组的长度将为 21。然后数据或多或少地转换为监督问题按照本教程。

现在我将我的数据集分为训练（65%）和测试（35%）样本。然后将神经网络定义为：

model = Sequential()
model.add(LSTM(lstm_neurons, batch_input_shape=(1000, 5, 24), stateful=False))
model.add(Dense(max_cases, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics = ['accuracy', 'mse', 'mae'])

适合模型

for i in range(epochs):
    model.fit(train_x, train_y, epochs=1, batch_size=new_batch_size, verbose=2, shuffle=False)
    model.reset_states()

    w = model.get_weights()

准确的情节看起来不错，但损失的情节很奇怪。

训练完成后，我预测值，从无状态更改为有状态并修改批量大小

model = Sequential()
model.add(LSTM(lstm_neurons, batch_input_shape=(1, 5, 24), stateful=True))
model.add(Dense(max_cases, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics = ['accuracy', 'mse', 'mae'])
model.set_weights(w)

我现在使用之前得到的测试值进行预测

for i in range(0, len(test_x)):

    auxx = test_x[i].reshape((batch_size, test_x[i].shape[0], test_x[i].shape[1])) # (...,n_in,4)

    yhat = model.predict(auxx, batch_size = batch_size)

这就是结果，我将其放大一点以更仔细地观察而不是拥挤的情节。它看起来一点也不差，它有一些错误，但总体而言，预测看起来足够好。

在此之后，我创建了一组数据来进行在线预测和预测

for i in range(0,290):

    # ...

    predicted_bikes =  model.predict(data_to_feed, batch_size = 1)

   # ...

结果就是这个，一条连续的线。

正如我在上图中看到的那样，预测值像一个间隔一样移动到实际值，这让我认为神经网络已经学会重复以前的值。这就是为什么我在这里得到一条直线。

标签： pythonmachine-learningkeraslstm