LSTM模型预测时间序列：根据历史销量数据预测商品未来销量

经常会遇到一些需要预测的场景，比如预测品牌销售额，预测产品销量。

时间序列

今天分享一波使用 LSTM 进行端到端时间序列预测的完整代码和详细解释。

我们先来了解两个主题：

什么是时间序列分析？
什么是 LSTM？

时间序列分析：时间序列表示基于时间顺序的一系列数据。它可以是秒、分钟、小时、天、周、月、年。未来的数据将取决于它以前的值。

在现实世界的案例中，我们主要有两种类型的时间序列分析：

单变量时间序列（只有一列，因此即将到来的未来值将仅取决于它之前的值。如：仅依据历史销量数据预测未来数据）
多元时间序列（不同类型的特征值并且目标数据将依赖于这些特征。如：除历史销量数据外，还有促销活动、节假日等特征）

对于单变量时间序列数据，我们将使用单列进行预测。

LSTM

其他前置：LSTM：LSTM基本上是一个循环神经网络，能够处理长期依赖关系。

假设你在看一部电影。所以当电影中发生任何情况时，你都已经知道之前发生了什么，并且可以理解因为过去发生的事情所以才会有新的情况发生。RNN也是以同样的方式工作，它们记住过去的信息并使用它来处理当前的输入。RNN的问题是，由于渐变消失，它们不能记住长期依赖关系。因此为了避免长期依赖问题设计了lstm。
在这里插入图片描述

LSTM 是一个神经网络，更具体是RNN （Recurrent ），所以我们需要用keras 基于tensorflow库
LSTM 相比于一般的神经网络（NN），增加了长时记忆与短时记忆。
LSTM 相比于一般的RNN，有效解决了梯度消失的问题。梯度消失通俗的影响就是“长期记忆的丢失”。
LSTM 相比于一般的RNN，从设计的角度来看，核心是多了一个cell。次核心是因为多了一个cell，每一步的迭代中重新设计了遗忘门，输入门和输出门，以及cell状态的更新。

下面开始编码实现

代码实现

数据集格式调整

为了便于方便，取出所需要的列，格式如下图所示，Date表示日期列，Product表示产品列，nums表示销售数量列。下面开始训练模型进行预测。
在这里插入图片描述

1、导入需要用到的库
请确保你已经安装了所需的库，可以使用以下命令进行安装：

pip install pandas numpy scikit-learn tensorflow

导入模型训练所需要的库：

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

读取CSV文件

df = pd.read_csv('weekly_product.csv')

将日期转换为Datetime对象

df['Date'] = pd.to_datetime(df['Date'], format='%Y/%m/%d')

按照日期升序排序

df.sort_values(by='Date', inplace=True)

确保数据按日期升序排列

df.reset_index(drop=True, inplace=True)

提取唯一的商品名称

products = df['Product'].unique()

创建一个空的DataFrame，用于存储预测结果

predicted_df = pd.DataFrame(columns=['Date', 'Product', 'nums'])

针对每种商品进行预测

for product in products:product_df = df[df['Product'] == product].copy()# 提取销售数量并进行归一化sales = product_df['nums'].values.reshape(-1, 1)scaler = MinMaxScaler(feature_range=(0, 1))sales_scaled = scaler.fit_transform(sales)# 将数据拆分为输入序列和目标值X, y = [], []for i in range(len(sales_scaled) - 10):X.append(sales_scaled[i:i+10, 0])y.append(sales_scaled[i+10, 0])X, y = np.array(X), np.array(y)# 将数据重塑为LSTM模型所需的形状 (samples, time steps, features)X = np.reshape(X, (X.shape[0], X.shape[1], 1))# 构建LSTM模型model = Sequential()model.add(LSTM(units=50, return_sequences=True, input_shape=(X.shape[1], 1)))model.add(LSTM(units=50))model.add(Dense(units=1))# 编译模型model.compile(optimizer='adam', loss='mean_squared_error')# 训练模型model.fit(X, y, epochs=50, batch_size=32)# 预测未来10周的销售数据future_dates = pd.date_range(start='2023-10-02', periods=10, freq='W')future_sales = []for i in range(10):input_data = sales_scaled[-10:].reshape(1, 10, 1)predicted_sales = model.predict(input_data)future_sales.append(predicted_sales[0, 0])# 更新输入数据，加入新的预测值sales_scaled = np.concatenate([sales_scaled, predicted_sales], axis=0)# 反归一化future_sales = scaler.inverse_transform(np.array(future_sales).reshape(-1, 1))# 计算模型的性能指标true_sales = product_df['nums'].values[-10:]mse = mean_squared_error(true_sales, future_sales)mae = mean_absolute_error(true_sales, future_sales)print(f"Product: {product}")print(f"Mean Squared Error: {mse}")print(f"Mean Absolute Error: {mae}")# 创建预测数据的DataFramefuture_df = pd.DataFrame({'Date': future_dates, 'Product': product, 'nums': future_sales.flatten()})# 将预测数据追加到原始数据框中predicted_df = pd.concat([predicted_df, future_df], ignore_index=True)

最后，保存最终的预测数据框到CSV文件

predicted_df.to_csv('predicted_sales_MAE.csv', index=False)

模型的性能指标

在时间序列预测任务中，精确率（precision）和召回率（recall）等常用的分类模型评价指标通常不直接适用。取而代之的是，可以使用回归模型的评价指标，例如均方根误差（RMSE）或平均绝对误差（MAE）来评估模型的性能。

在回归任务中，常用的评价指标包括均方根误差（Root Mean Squared Error，RMSE）和平均绝对误差（Mean Absolute Error，MAE）。这些指标用于衡量模型的预测值与实际值之间的差异。
在这里插入图片描述
这些指标的解释如下：

RMSE解释： 如果RMSE等于0，表示模型的预测完全准确，没有任何误差。RMSE的值越小越好，因为它表示预测值与实际值之间的差异越小。
MAE解释： MAE的值越小越好，它表示模型的平均预测误差有多大。与RMSE不同，MAE不会受到异常值的影响，因为它使用的是绝对值。

在使用这些指标时，通常会选择适合问题特点的一个或多个指标进行评估。

完整代码

为了使模型更加复用性，将上面代码拆分成两个文件，一个用于模型的训练和保存，另一个用于加载模型并进行预测。请确保你有 pandas, numpy, scikit-learn, 和 tensorflow 安装在你的环境中。

File 1: train_and_save_model.py

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
from sklearn.metrics import mean_squared_error, mean_absolute_error# Read the CSV file
df = pd.read_csv('weekly_product.csv')# Convert the 'Date' column to datetime
df['Date'] = pd.to_datetime(df['Date'], format='%Y/%m/%d')# Sort the dataframe by date
df.sort_values(by='Date', inplace=True)
df.reset_index(drop=True, inplace=True)# Extract unique product names
products = df['Product'].unique()# Train and save a model for each product
for product in products:product_df = df[df['Product'] == product].copy()# Extract and normalize sales datasales = product_df['nums'].values.reshape(-1, 1)scaler = MinMaxScaler(feature_range=(0, 1))sales_scaled = scaler.fit_transform(sales)# Prepare the input sequences and target valuesX, y = [], []for i in range(len(sales_scaled) - 10):X.append(sales_scaled[i:i + 10, 0])y.append(sales_scaled[i + 10, 0])X, y = np.array(X), np.array(y)# Reshape the data for LSTM modelX = np.reshape(X, (X.shape[0], X.shape[1], 1))# Build the LSTM modelmodel = Sequential()model.add(LSTM(units=50, return_sequences=True, input_shape=(X.shape[1], 1)))model.add(LSTM(units=50))model.add(Dense(units=1))model.compile(optimizer='adam', loss='mean_squared_error')model.fit(X, y, epochs=50, batch_size=32)# Save the modelmodel.save(f'model_{product}.h5')# Evaluate the model on the training datatrain_predictions = model.predict(X)train_predictions = scaler.inverse_transform(train_predictions)true_sales = product_df['nums'].values[10:]mse = mean_squared_error(true_sales, train_predictions)mae = mean_absolute_error(true_sales, train_predictions)print(f"Product: {product}")print(f"Mean Squared Error on Training Data: {mse}")print(f"Mean Absolute Error on Training Data: {mae}")

File 2: load_and_predict_model.py

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import load_model
import datetime# Function to load the trained model and make predictions
def predict_sales(product, date_str):# Load the saved modelmodel = load_model(f'model_{product}.h5')# Read the CSV filedf = pd.read_csv('weekly_product.csv')# Convert the input date string to datetimeinput_date = datetime.datetime.strptime(date_str, '%Y/%m/%d')# Filter data for the given product and dateproduct_df = df[(df['Product'] == product) & (df['Date'] <= input_date)].copy()# Extract and normalize sales datasales = product_df['nums'].values.reshape(-1, 1)scaler = MinMaxScaler(feature_range=(0, 1))sales_scaled = scaler.fit_transform(sales)# Prepare the input sequence for predictioninput_sequence = sales_scaled[-10:].reshape(1, 10, 1)# Make predictionspredicted_sales_scaled = model.predict(input_sequence)# Inverse transform to get the actual sales valuespredicted_sales = scaler.inverse_transform(predicted_sales_scaled)return predicted_sales[0, 0]# Example usage
product_name = 'example_product'
prediction_date = '2023/11/20'
predicted_sales = predict_sales(product_name, prediction_date)
print(f"Predicted Sales for {product_name} on {prediction_date}: {predicted_sales}")

在上述代码中，train_and_save_model.py 文件用于训练模型并保存，而 load_and_predict_model.py 文件用于加载保存的模型并进行预测。在 load_and_predict_model.py 中，可以通过调用 predict_sales 函数来得到指定商品在指定日期的销售预测。