深度学习：基于单变量的lstm网络上证指数预测（Python源码）

# -*- coding: utf-8 -*- """ Created on xxx 2024-2025 PyTorch编程实现循环神经网络的上证指数预测 数据集：stockPrice.csv（2024-5到2024-11月份上证指数） 实验环境：python3.9.13、torch1.10.2+cu113 数据处理：需要做归一化 神经网络：lstm + linear 实验目的：循环神经网络流程及网络结构（重要的是数据维度和LSTM参数维度区别！） 实验要求：拟合图、y轴数值还原、loss损失画图 @author: htq """ import pandas as pd import numpy as np import torch.nn as nn import torch import matplotlib.pyplot as plt import os os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE' # 允许重复加载动态链接库 plt.rcParams['figure.figsize'] = (8.0, 6.0) # 设置画图窗口大小 plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置字体，以正常显示中文 plt.rcParams['axes.unicode_minus'] = False # 设置正常显示符号 # ==============数据处理============== data_csv = pd.read_csv('./stockPrice.csv', usecols=[4], encoding='gbk') # 读取csv文件第4列收盘价 dataset = data_csv.values # 只获取值，不要索引 dataset = dataset.astype('float32') # 统一为pytorch常用精度 close_price = dataset # 拿到没有归一化的真实值 # (x - min)/(max - min) 最大最小值归一化 --> [0-1] max_value = np.max(dataset) min_value = np.min(dataset) scale = max_value - min_value dataset = list(map(lambda x: (x - min_value) / scale, dataset)) # 1 2 3 4 5 # 1 2 -> 3 # 2 3 -> 4 # 3 4 -> 5 # 构建数据集 昨天 今天 --> 明天 [3302, 3303] --> [3304] look_back = 2 # 2天进行预测 def create_dataset(dataset): data_X, data_Y = [], [] for i in range(len(dataset) - look_back): data_X.append(dataset[i:i + look_back]) data_Y.append(dataset[i + look_back]) return np.array(data_X), np.array(data_Y) data_X, data_Y = create_dataset(dataset) train_size = int(len(data_X) * 1) # 划分数据集，训练集，测试集， 82法则， 0.8 0.2 train_X = data_X[:train_size] train_Y = data_Y[:train_size] test_X = data_X[-1] train_x = train_X.reshape(-1, 1, look_back) # 变成三维（seq_len, batch_size, input_size） train_y = train_Y.reshape(-1, 1, 1) test_x = test_X.reshape(-1, 1, look_back) train_x = torch.from_numpy(train_x) # 变成tensor类型 train_y = torch.from_numpy(train_y) test_x = torch.from_numpy(test_x) # ==============构建网络============== class LSTM(nn.Module): def __init__(self, input_size, hidden_size, num_layers=2, output_size=1): super(LSTM, self).__init__() self.lstm = nn.LSTM(input_size=input_size, hidden_size=hidden_size, num_layers=num_layers) self.linear = nn.Linear(hidden_size, output_size) def forward(self, x): x, _ = self.lstm(x) s, b, h = x.shape x = x.view(s * b, h) # 改变成二维形状 x = self.linear(x) x = x.view(s, b, -1) # 改变成三维形式方便后面绘图使用，也可不改变！ return x # ==============训练网络============== net = LSTM(look_back, 4) cirterion = nn.MSELoss() # 定义损失函数，回归问题 optimizer = torch.optim.Adam(net.parameters(), lr=0.01) # 定义优化器，传入模型参数和学习率 loss_list = [] for i in range(1000): out = net(train_x) # 前向传播 loss = cirterion(out, train_y) # 计算损失 optimizer.zero_grad() # 梯度清零 loss.backward() # 反向传播 optimizer.step() # 更新参数 loss_list.append(loss.detach().numpy()) # 保存损失 if i % 100 == 0: print('Epoch:{}, Loss:{:.4f}'.format(i, loss)) # 每100轮打印损失值 # ==============性能评估============== net = net.eval() # 开启评估模式 pred_test = net(train_x) pred_test = pred_test.view(-1).data.numpy() # 改变3维为1维，为了plt画图 for index, value in enumerate(pred_test): # 数据从0-1还原 pred_test[index] = value * scale + min_value plt.subplot(2, 1, 1) # 创建一个画图面板，2行，1列,当前是第一个子图 plt.suptitle("2024年上证指数预测", fontsize=14, fontweight='bold') plt.plot(pred_test, 'r', label='预测值') plt.plot(close_price[2:], 'b', label='真实值') plt.xlabel('2024年5月-2024年11月', fontsize=14, fontweight='bold') plt.ylabel('上证指数预测值', fontsize=14, fontweight='bold') plt.legend(loc='best') # 自动确定图例在图形中的最佳位置 plt.subplots_adjust(hspace=0.4) # 0.4表示子图之间垂直距离为子图宽度的40% plt.subplot(2, 1, 2) # 创建一个画图面板，2行，1列,当前是第二个子图 plt.plot(loss_list, 'g', label='损失值') plt.xlabel('迭代数', fontsize=14, fontweight='bold') plt.ylabel('损失值', fontsize=14, fontweight='bold') plt.legend(loc='upper right') # 确定图例在图形中的右上角 plt.show() # ==============预测明天============== pred_tom = net(test_x) pred_tom = pred_tom.view(-1).data.numpy() # 改变3维为1维，为了plt画图 for index, value in enumerate(pred_tom): # 数据从0-1还原 pred_tom[index] = value * scale + min_value print(round(pred_tom.item(), 2)) """ LSTM 的输入维度 (seq_len, batch_size, input_size) 和定义 LSTM 网络时的参数 input_size、hidden_size 和 num_layers 是不同的概念，它们分别代表不同的内容（前者 描述了输入数据的形状，后者描述了 LSTM 网络的结构） LSTM 输入维度 (seq_len, batch_size, input_size) seq_len: 序列的长度，即每个样本中的时间步数或序列长度。 batch_size: 批处理大小，即一次训练中使用的样本数量。 input_size: 每个时间步的特征数量，即每个输入向量的维度。 这个维度是用于描述输入数据的形状，它决定了每个时间步的输入特征数量。 LSTM 网络参数 (input_size, hidden_size, num_layers) input_size: 这是每个时间步输入特征的维度，即每个输入向量的大小。例如，如果每个时间步有5个特征，那么 input_size 就是5。 hidden_size: 这是隐藏层的特征维度，即 LSTM 单元在每个时间步输出的向量大小。这个值决定了 LSTM 单元内部状态的维度。 num_layers: 这是 LSTM 的层数。多层 LSTM 可以堆叠在一起，每一层都会接收前一层的输出作为输入。通过增加层数，模型可以捕捉更复杂的时序依赖关系。 """