import?numpy
import?matplotlib.pyplot?as?plt
from?pandas?import?read_csv
import?math
from?keras.models?import?Sequential
from?keras.layers?import?DenseActivationdropout
from?keras.layers?import?LSTM
from?sklearn.preprocessing?import?MinMaxScaler
from?sklearn.metrics?import?mean_squared_error
from?keras?import?optimizers
import?time

plt.style.use（‘ggplot‘）

#?convert?an?array?of?values?into?a?dataset?matrix
def?create_dataset（dataset?look_back=1）:
????dataX?dataY?=?[]?[]
????for?i?in?range（len（dataset）-look_back-1）:
????????a?=?dataset[i:（i+look_back）]
????????dataX.append（a）
????????dataY.append（dataset[i?+?look_back]）
????return?numpy.array（dataX）?numpy.array（dataY）
	
#?fix?random?seed?for?reproducibility
numpy.random.seed（7）

#?load?the?dataset
dataframe?=?read_csv（‘soybean_price_guangdong.csv‘header=0parse_dates=[0]index_col=0squeeze=True）
dataset?=?dataframe.values
dataset?=?dataset.astype（‘float32‘）

#?normalize?the?dataset
scaler?=?MinMaxScaler（feature_range=（0?1））
dataset?=?scaler.fit_transform（dataset）

#?split?into?train?and?test?sets
train_size?=?int（len（dataset）?*?0.7）
test_size?=?len（dataset）?-?train_size
train?test?=?dataset[0:train_size]?dataset[train_size:len（dataset）]

#?reshape?into?X=t?and?Y=t+1
look_back?=?1
trainX?trainY?=?create_dataset（train?look_back）
testX?testY?=?create_dataset（test?look_back）

#?reshape?input?to?be?[samples?time?steps?features]
trainX?=?numpy.reshape（trainX?（trainX.shape[0]?1?trainX.shape[1]））
testX?=?numpy.reshape（testX?（testX.shape[0]?1?testX.shape[1]））

#?create?and?fit?the?LSTM?network
model?=?Sequential（）

model.add（LSTM（input_dim=1output_dim=50return_sequences=True））
model.add（Dropout（0.2））

model.add（LSTM（100return_sequences=False））
model.add（Dropout（0.2））

model.add（Dense（output_dim=1））
model.add（Activation（‘linear‘））

start=time.time（）
model.compile（loss=‘mean_squared_error‘optimizer=‘Adam‘）
print?（‘compilation?time:‘time.time（）-start）

history=model.fit（trainXtrainYbatch_size=1nb_epoch=100validation_split=0.1verbose=2）

#?make?predictions
trainPredict?=?model.predict（trainX）
testPredict?=?model.predict（testX）

#?invert?predictions
trainPredict?=?scaler.inverse_transform（trainPredict）
trainY?=?scaler.inverse_transform（[trainY]）
testPredict?=?scaler.inverse_transform（testPredict）
testY?=?scaler.inverse_transform（[testY]）

#?calculate?root?mean?squared?error
trainScore?=?math.sqrt（mean_squared_error（trainY[0]?trainPredict[:0]））
print（‘Train?Score:?%.2f?RMSE‘?%?（trainScore））
testScore?=?math.sqrt（mean_squared_error（testY[0]?testPredict[:0]））
print（‘Test?Score:?%.2f?RMSE‘?%?（testScore））

#?shift?train?predictions?for?plotting
trainPredictPlot=numpy.empty_like（dataset）
trainPredictPlot[:]=numpy.nan
trainPredictPlot=numpy.reshape（trainPredictPlot（dataset.shape[0]1））
trainPredictPlot[look_back:len（trainPredict）+look_back?:]?=?trainPredict

#?shift?test?predictions?for?plot

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件????1406714??2018-05-24?10:34??39?第47講\ARIMA\.ipynb_checkpoints\soybean_price_guangdong_ARIMA-checkpoint.ipynb

?????文件??????21735??2018-05-24?10:33??39?第47講\ARIMA\soybean_price_guangdong.csv

?????文件?????903635??2018-05-24?10:33??39?第47講\ARIMA\soybean_price_guangdong_ARIMA.ipynb

?????文件?????250664??2018-05-24?10:33??39?第47講\LSTM\預(yù)測一天的結(jié)果\.ipynb_checkpoints\soybean_price_guangdong_LSTM-checkpoint.ipynb

?????文件??????20833??2018-05-24?10:33??39?第47講\LSTM\預(yù)測一天的結(jié)果\loss_log.png

?????文件??????92615??2018-05-24?10:33??39?第47講\LSTM\預(yù)測一天的結(jié)果\result.png

?????文件??????21735??2018-05-24?10:33??39?第47講\LSTM\預(yù)測一天的結(jié)果\soybean_price_guangdong.csv

?????文件???????3560??2018-05-24?10:33??39?第47講\LSTM\預(yù)測一天的結(jié)果\soybean_price_guangdong.py

?????文件?????250664??2018-05-24?10:33??39?第47講\LSTM\預(yù)測一天的結(jié)果\soybean_price_guangdong_LSTM.ipynb

?????文件??????21735??2018-05-24?10:32??39?第47講\soybean_price_guangdong.csv

?????文件??????42653??2018-05-24?10:32??39?第47講\soybean_price_guangdong.xlsx

?????文件????1087885??2018-05-24?10:34??39?第47講\weather-prophet-master\.ipynb_checkpoints\forecast-temperatures-using-prophet-checkpoint.ipynb

?????文件????1087885??2018-05-24?10:33??39?第47講\weather-prophet-master\forecast-temperatures-using-prophet.ipynb

?????文件?????407274??2018-05-24?10:33??39?第47講\weather-prophet-master\outdoor-temperature-hourly.csv

?????文件?????514619??2018-05-24?10:33??39?第47講\weather-prophet-master\outdoor-temperature-hourly_20170710.csv

?????文件?????919851??2018-05-24?10:33??時間序列（ARIMA&LSTM）PPT.pdf

?????文件????1124283??2018-06-13?17:09??時間序列預(yù)測講義.docx

?????目錄??????????0??2018-05-24?10:45??39?第47講\LSTM\預(yù)測一天的結(jié)果\.ipynb_checkpoints

?????目錄??????????0??2018-05-24?10:45??39?第47講\ARIMA\.ipynb_checkpoints

?????目錄??????????0??2018-05-24?10:45??39?第47講\LSTM\預(yù)測一天的結(jié)果

?????目錄??????????0??2018-05-24?10:45??39?第47講\weather-prophet-master\.ipynb_checkpoints

?????目錄??????????0??2018-05-24?10:45??39?第47講\ARIMA

?????目錄??????????0??2018-05-24?10:45??39?第47講\LSTM

?????目錄??????????0??2018-05-24?10:45??39?第47講\weather-prophet-master

?????目錄??????????0??2018-06-13?18:05??39?第47講

-----------?---------??----------?-----??----

??????????????8178340????????????????????25