+1

Deploy ứng dụng Machine learning lên Web server. Phần 6: Dự báo đa bước, đa biến với LSTM - Keras - Python

Oke tiếp tục với series này hôm nay mình xin giới thiệu với mọi người dự báo chuỗi thời gian đa chiều, đa bước.

Mình tiếp tục lấy ví dụ là dự báo giá coin của bài trước nhé.

Ý tưởng cho dự báo nhiều bước, nhiều chiều

Với một chiều

Việc dự báo có 4 ý tưởng các bạn có thể thao khảo tại đây.

Với nhiều chiều

Mong muốn của chúng là với những giá trị close, open,... hiện tại chúng ta mong muốn dự báo giá close cho nhiều bước thời gian tiếp theo.

Nhưng lấy dữ liệu đâu để dự báo cho các bước tiếp theo?

Câu trả lời đó là 1 bước chúng ta sẽ cho dự báo nhiều giá close trong khung tiếp theo.

Trong bài viết này mình dự báo với 3 bước thời gian nhé. Tuy nhiên với mạng Neural thì việc dự báo nhiều bước nghe có vẻ không khả thi cho lắm, sai số và sai số xu hướng khá lớn. Kết quả không được tốt như các phương pháp truyền thống trong chuỗi thời gian như ARIMA, SARIMA.

Oke nói qua lý thuyết 1 chút vậy bây giờ đến bài toán của chúng ta

Với dữ liệu gốc như sau:

open high low close volume quoteAssetVolume numberOfTrader takerBuyBaseAssetVolume takerBuyQuoteAssetVolume ignore
0.0304000000 0.0306000000 0.0298550000 0.0304370000 1560.9700000000 47.4380609300 78 1227.1100000000 37.3092471400 57146.3825541400
0.0305260000 0.0307860000 0.0295340000 0.0301300000 578.1300000000 17.4638475100 195 314.9800000000 9.5420328900 54835.6917909400
0.0299520000 0.0302000000 0.0292500000 0.0298500000 563.5500000000 16.7206037600 225 176.9500000000 5.2605256600 54957.7561959400
0.0300330000 0.0306820000 0.0296000000 0.0300320000 790.9300000000 23.8081811100 221 322.3500000000 9.7097861000 54957.7561959400
0.0300860000 0.0305000000 0.0297560000 0.0299660000 643.7500000000 19.4555166800 222 280.4600000000 8.4800854000 51842.1161959400

Sẽ được chuyển thành dạng sau:

open(t) high(t) low(t) close(t) volume(t) quoteAssetVolume(t) numberOfTrader(t) takerBuyBaseAssetVolume(t) takerBuyQuoteAssetVolume(t) ignore(t) close(t+1) close(t+2) close(t+3)
0.0304000000 0.0306000000 0.0298550000 0.0304370000 1560.9700000000 47.4380609300 78 1227.1100000000 37.3092471400 57146.3825541400 0.0301300000 0.0298500000 0.0300320000
0.0305260000 0.0307860000 0.0295340000 0.0301300000 578.1300000000 17.4638475100 195 314.9800000000 9.5420328900 54835.6917909400 0.0298500000 0.0300320000 0.0299660000
0.0299520000 0.0302000000 0.0292500000 0.0298500000 563.5500000000 16.7206037600 225 176.9500000000 5.2605256600 54957.7561959400 0.0300320000 0.0299660000 Nan
0.0300330000 0.0306820000 0.0296000000 0.0300320000 790.9300000000 23.8081811100 221 322.3500000000 9.7097861000 54957.7561959400 0.0299660000 Nan Nan
0.0300860000 0.0305000000 0.0297560000 0.0299660000 643.7500000000 19.4555166800 222 280.4600000000 8.4800854000 51842.1161959400 Nan Nan Nan

Ta sẽ chém mấy thằng có dữ liệu là Nan đi nhé 😄

Code

def series_to_supervised(self, data, n_out=1, n_in=1, dropnan=True):
    n_vars = 1 if type(data) is list else data.shape[1]
    df = DataFrame(data)
    df_drop = DataFrame(data)
    df_drop.drop(df_drop.columns[range(1, n_vars)], axis=1, inplace=True)
    cols, names = list(), list()
    for i in range(0, n_in):
        cols.append(df.shift(i))
        if i == 0:
            names += [('var%d(t)' % (j+1)) for j in range(n_vars)]
        else:
            names += [('var%d(t+%d)' % (j+1, i)) for j in range(n_vars)]
    for i in range(1, n_out+1):
        cols.append(df_drop.shift(-i))
        names += [('var%d(t+%d)' % (1, i))]
    agg = concat(cols, axis=1)
    agg.columns = names
    if dropnan:
        agg.dropna(inplace=True)
    agg = agg.fillna(0)
    return agg

Build model

Tương tự bài trước mình build model với cấu hình sau:

Config

units = 64
n_time_predicts = 2 * 24
epochs = 50
batch_size = 128
verbose = 0
min_delta = 1e-15 
patience = 30 # với 30 vòng lặp mà loss giản không đáng kể thì dừng (1e-15 yên tâm là nó sẽ chạy hết 50 epochs :D)
monitor = 'val_loss'

Model

Tương tự như bài 4 mình dùng 2 layer với LSTM như sau:

def build_model(self, units, train_X, loss='mse', optimizer='adam'):
    model = Sequential()
    model.add(LSTM(units,input_shape=(train_X.shape[1], train_X.shape[2]), return_sequences=True))
    model.add(LSTM(units))
    model.add(Dense(3)) # 3 output giá close
    model.compile(loss=loss, optimizer=optimizer)
    return model

Các bạn nên thử tự build cho mình 1 model riêng để có kết quả chính xác hơn nhé.

Train model, Fit model

Tương tự như bài 4 các bạn xem lại nhé

Predict

Ở đây việc lấy dữ liệu sau khi predict có khác 1 chút đó là:

Hiện tại có 3 output cho mỗi bước dự báo nên mình sẽ lấy giá trị đầu tiên cho các bước dự báo trước và đến bước thời gian cuối cùng thì ta lấy toàn bộ 3 giá trị dự báo cho giá đóng cửa:

Code

inv_yhat = concatenate((yhat[:,0], yhat[-1:,1:]),axis=None)

Code sample

Các bạn có thể tham khảo code ở đây nhé: https://github.com/hung96ad/multi_variables_multi_steps_predict

Kết quả

Nhìn chung với dự báo nhiều bước thì như mình đã nói từ đầu kết quả không được khả quan cho lắm 😦 :

Sai số:

RMSE: 0.00131984	
MAX ERROR: 0.0039352

Train model, predict với nhiều cặp coin

Tương tự như bài 4 các bạn tham khảo ở đây nhé: https://viblo.asia/p/deploy-ung-dung-machine-learning-len-web-server-phan-4-du-bao-gia-coin-voi-lstm-keras-python-Do754JdBZM6

Tài liệu tham khảo


All rights reserved

Viblo
Hãy đăng ký một tài khoản Viblo để nhận được nhiều bài viết thú vị hơn.
Đăng kí