BP神经网络时间序列预测Python实战：从数据预处理到模型调优

1次阅读

没有评论

共计 3085 个字符，预计需要花费 8 分钟才能阅读完成。

时间序列预测在股票价格预测、电力负荷预测、气象预报等领域应用广泛。传统方法如 ARIMA 虽然简单，但存在明显局限：

只能捕捉线性关系，对非线性特征（如周期性突变）束手无策
需要人工设定差分阶数等参数，对复杂序列适应性差

而 BP 神经网络通过多层非线性变换，能自动学习时间序列中的复杂模式。相比 LSTM，它的优势在于：

训练速度更快，适合中小规模数据集
实现简单，调试门槛低
对硬件要求较低

时间序列数据常存在量纲差异（比如温度在 0 -40℃，而降水量在 0 -500mm），直接输入网络会导致梯度不稳定。采用 MinMax 标准化：

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(0, 1))
data_normalized = scaler.fit_transform(data.reshape(-1, 1))

神经网络需要将时间序列转换为监督学习格式。假设用过去 5 天的数据预测下一天：

def create_dataset(data, look_back=5):
    X, y = [], []
    for i in range(len(data)-look_back):
        X.append(data[i:(i+look_back)])
        y.append(data[i+look_back])
    return np.array(X), np.array(y)

节点数等于滑动窗口长度（如 look_back=5）。注意 reshape 操作：

# 输入形状为（样本数, 时间步长, 特征数）X = X.reshape(X.shape[0], X.shape[1], 1)

推荐先用单个隐藏层实验，节点数经验公式：

 隐藏节点 ≈ sqrt(输入节点 × 输出节点) + 10

单节点（预测未来一个时间点的值），使用线性激活函数：

model.add(Dense(1))

import numpy as np
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense

# 1. 准备数据
data = np.array([...])  # 你的时间序列数据
scaler = MinMaxScaler()
data = scaler.fit_transform(data.reshape(-1, 1))

# 2. 构造监督学习格式
look_back = 5
X, y = create_dataset(data, look_back)

# 3. 划分训练测试集
train_size = int(len(X) * 0.7)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

# 4. 构建模型
model = Sequential()
model.add(Dense(12, input_dim=look_back, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 5. 训练
model.fit(X_train, y_train, epochs=100, batch_size=2, verbose=1)

# 6. 预测
train_predict = model.predict(X_train)
test_predict = model.predict(X_test)

# 7. 反标准化
train_predict = scaler.inverse_transform(train_predict)
y_train = scaler.inverse_transform(y_train)

from sklearn.metrics import mean_squared_error, mean_absolute_error

print('Train MSE:', mean_squared_error(y_train, train_predict))
print('Test MAE:', mean_absolute_error(y_test, test_predict))

import matplotlib.pyplot as plt

plt.plot(scaler.inverse_transform(data), label='真实值')
plt.plot(range(look_back, look_back+len(train_predict)), 
         train_predict, label='训练集预测')
plt.plot(range(look_back+len(train_predict), len(data)), 
         test_predict, label='测试集预测')
plt.legend()
plt.show()

症状：训练集误差持续下降，验证集误差反而上升

解决方案：

增加 Dropout 层
使用 L2 正则化
早停（EarlyStopping）

from keras.layers import Dropout
from keras.regularizers import l2

model.add(Dense(12, kernel_regularizer=l2(0.01)))
model.add(Dropout(0.2))

症状：模型训练初期 loss 下降极慢

解决方案：

改用 ReLU 激活函数
批标准化（BatchNormalization）
减小学习率

from sklearn.model_selection import GridSearchCV
from keras.wrappers.scikit_learn import KerasRegressor

def build_model(neurons=12):
    model = Sequential()
    model.add(Dense(neurons, input_dim=look_back, activation='relu'))
    model.add(Dense(1))
    model.compile(loss='mse', optimizer='adam')
    return model

param_grid = {'neurons': [8, 12, 16], 'epochs': [50, 100]}
grid = GridSearchCV(KerasRegressor(build_fn=build_model), param_grid)
grid_result = grid.fit(X_train, y_train)