---
template: overrides/blogs.html
tags:
  - deep learning
  - tensorflow
  - time series
---

# 使用TensorFlow进行单变量时间序列预测

!!! info
    作者：[Vincent](https://github.com/Realvincentyuan)，发布于2021-06-06，阅读时间：约6分钟，微信公众号文章链接：[:fontawesome-solid-link:](https://mp.weixin.qq.com/s?__biz=MzI4Mjk3NzgxOQ==&mid=2247485305&idx=1&sn=b8a2cf6c598ed9cf06a8950e892edc93&chksm=eb90f40ddce77d1bebf7d5703bf298c87692fd275731ac9bc1238996937d3da42f274ad85f22&token=709422112&lang=zh_CN#rd)

## 1 前言

本文将使用TensorFlow解决时间序列预测的问题，TensorFlow官网有一个非常详尽但冗长的[教程](https://www.tensorflow.org/tutorials/structured_data/time_series "Time series forecasting")，所以本文将剥茧抽丝，用通俗易懂的办法过一遍单变量时间序列预测最核心的内容。

## 2 比特币价格数据集

### 2.1 获取数据

本文使用比特币历史价格数据(2013年10月至2021年5月)进行预测，请注意本文不构成投资建议！

```python
!wget https://raw.githubusercontent.com/mrdbourke/tensorflow-deep-learning/main/extras/BTC_USD_2013-10-01_2021-05-18-CoinDesk.csv

import pandas as pd
import matplotlib.pyplot as plt
import os
import tensorflow as tf
from tensorflow.keras as layers

df = pd.read_csv("/content/BTC_USD_2013-10-01_2021-05-18-CoinDesk.csv",
                 parse_dates=["Date"],
                 index_col=["Date"]) # Parse the date column

df.tail()
```

返回为：

| Date | Currency | Closing Price (USD) | 24h Open (USD) | 24h High (USD) | 24h Low (USD) |
|---:|---:|---:|---:|---:|---:|
| 2021-05-14 | BTC | 49764.132082 | 49596.778891 | 51448.798576 | 46294.720180 |
| 2021-05-15 | BTC | 50032.693137 | 49717.354353 | 51578.312545 | 48944.346536 |
| 2021-05-16 | BTC | 47885.625255 | 49926.035067 | 50690.802950 | 47005.102292 |
| 2021-05-17 | BTC | 45604.615754 | 46805.537852 | 49670.414174 | 43868.638969 |
| 2021-05-18 | BTC | 43144.471291 | 46439.336570 | 46622.853437 | 42102.346430 |

在此取收盘价进行预测：

```python
bitcoin_prices = pd.DataFrame(df["Closing Price (USD)"]).rename({"Closing Price (USD)":"Price"},axis=1)
bitcoin_prices.head()
```

| Date | Price |
|---:|---:|
| 2013-10-01 | 123.65499 |
| 2013-10-02 | 125.45500 |
| 2013-10-03 | 108.58483 |
| 2013-10-04 | 118.67466 |
| 2013-10-05 | 121.33866 |

通过图表查看比特币价格走势：

```python
plt.plot(bitcoin_prices["Price"])
plt.ylabel("Bitcoin price")
plt.xlabel("Date")
```

<figure>
  <img src="https://cdn.jsdelivr.net/gh/BulletTech2021/Pics/img/1_V/Bitcoin_price.png"  />
  <figcaption>比特币价格走势</figcaption>
</figure>


### 2.2 制作时间窗口

预期的数据格式为`[0,1,2,3,4,5,6] -> [7]`，即使用过去七天的价格预测接下来一天的价格。在此，使用TensorFlow提供的[timeseries_dataset_from_array](https://www.tensorflow.org/api_docs/python/tf/keras/utils/timeseries_dataset_from_array "timeseries_dataset_from_array") API进行窗口划分。

```python

timesteps = bitcoin_prices.index.to_numpy()
prices = bitcoin_prices["Price"].to_numpy()

HORIZON  = 1 # 预测下一天的价格
WINDOW_SIZE = 7 # 基于过去7天的价格

input_data = prices[:-HORIZON]
targets = prices[WINDOW_SIZE:]
dataset = tf.keras.preprocessing.timeseries_dataset_from_array(
    input_data, targets, sequence_length=WINDOW_SIZE)
for batch in dataset:
  inputs, targets = batch
  assert np.array_equal(inputs[0], prices[:WINDOW_SIZE])   
  assert np.array_equal(targets[0], prices[WINDOW_SIZE])  

  print(f"First Input:{inputs[0]}, Target:{targets[0]}")
  print(f"Second Input:{inputs[1]}, Target:{targets[1]}")

  break
```

返回如下，数据正确地转化成了预期的格式。

```python
First Input:[123.65499 125.455   108.58483 118.67466 121.33866 120.65533 121.795  ], Target:123.033
Second Input:[125.455   108.58483 118.67466 121.33866 120.65533 121.795   123.033  ], Target:124.049
```

### 2.3 分割数据

使用时间来划分训练集和验证集，仅做示例故不留测试集，实际中可按需操作。

```python
# tf.keras.preprocessing.timeseries_dataset_from_array返回的是batched dataset，所以先unbatch，方便分割数据
dataset = dataset.unbatch()

test_split = 0.2
split_index = int(len(list(dataset)) * (1-test_split))

# 分割完之后再分Batch，增加一维，不然无法满足模型数据维度要求
train_dataset = dataset.take(split_index).batch(batch_size=32)
test_dataset = dataset.skip(split_index).batch(batch_size=32)
```

## 3 建模

本文不追求极致的预测准确率，因此仅使用全连接层构建模型，代码如下：

```python
tf.random.set_seed(42)
tf.keras.backend.clear_session()

# 1. 构建模型
model = tf.keras.models.Sequential(
[
 layers.Input(WINDOW_SIZE),
 layers.Dense(128, activation="relu"),
 layers.Dense(HORIZON, activation="linear")
]
, name="model_dense_base")

# 2. 编译模型
model.compile(loss='mae',
                optimizer=tf.keras.optimizers.Adam(),
                metrics=['mae'])


# 创建callback把表现最好的模型checkpoint存下来
def create_model_checkpoint(model_name, save_path="model_checkpoint"):
  return tf.keras.callbacks.ModelCheckpoint(filepath=os.path.join(save_path, model_name),
                                            verbose=0,
                                            save_best_only=True)

# 3. 训练模型
model.fit( train_dataset,
            epochs=100,
            verbose=0,
            validation_data=test_dataset,
            callbacks=[create_model_checkpoint(model_name=model.name)]
            )

```

将表现最好的模型加载回来做评估：

```python
model = tf.keras.models.load_model("model_checkpoint/model_dense_base")
model.evaluate(test_dataset)
```

返回如下，由平均绝对误差（MAE）可见预测的价格平均和真实价格相差700多美元。

```python
18/18 [==============================] - 1s 6ms/step - loss: 759.4327 - mae: 759.4327
[759.4326782226562, 759.4326782226562]
```

考虑到模型结构十分简单，结果有提升空间也在预期之内，根据本流程进行优化，完全可以预测得更准确。

## 4 总结

本文对单变量时间序列预测任务做了一个基准，其中TensorFlow的`tf.keras.preprocessing.timeseries_dataset_from_array`API简化了许多处理时间窗口的工作，之后将继续对TensorFlow预测时间序列的任务进行讨论。

## 5 相关阅读资料

- [Forecasting: Principles and Practice](https://otexts.com/fpp3/index.html)

<figure>
  <img src="https://cdn.jsdelivr.net/gh/BulletTech2021/Pics/2021-6-14/1623639526512-1080P%20(Full%20HD)%20-%20Tail%20Pic.png" width="500" />
</figure>