Skip to content

Latest commit

 

History

History
139 lines (104 loc) · 4.17 KB

11-4. RNN timeseries.md

File metadata and controls

139 lines (104 loc) · 4.17 KB

1. Time Series Data (시계열 데이터)

  • 시계열 데이터 : 일정한 시간 간격으로 배치된 데이터
  • ex) 주가 데이터


2. 시계열 데이터 예시 1

  • 구글 주가 데이터의 7일간 데이터를 통해 8일자 종가를 예측해보자.

(1) Day 1

  • Day 1 : [Open : 828, High : 833, Low : 828, Volume : 1247700, Close : 831]
  • Day 1의 5차원 데이터를 RNN의 셀에 넣어 처리하여 다음 셀로 넘겨준다.

(2) Day 2

  • Day 2의 5차원 데이터를 RNN의 셀에 넣고, Day 1의 데이터와 처리하여 다음 셀로 넘겨준다.

(3) Day 7까지 반복!


(4) Output

  • 8일차 종가를 예측한다.


3. 시계열 데이터 예시 2

(1) 문제점

  • 종가는 '하나의 값', 즉 1차원의 값이다.
  • Output_size와 Hidden_size는 같으므로, hidden_size도 1차원으로 설정해야 된다.
  • 5차원의 데이터를 받아 셀에서 처리하여 1차원의 형태로 다음 셀로 넘기는건 모델에게 굉장히 부담스러운 일이다.

(2) 해결 방법

  • Output_size와 Hidden_size를 모두 10차원(임의로 정의함)으로 처리하게 한다.
  • Output을 할 때 FC Layer를 넣어 종가를 예측하도록 처리한다.
  • 이 방법이 일반적인 방법이다!


4. 시계열 데이터와 RNN(LSTM) 실습

# 1. 라이브러리 로드
import torch
import torch.optim as optim
import numpy as np
import matplotlib.pyplot as plt

torch.manual_seed(0)

# 2. 하이퍼파라미터 설정
seq_length = 7 # 7일
data_dim = 5 # 데이터는 5차원
hidden_dim = 10 # 임의 정의
output_dim = 1 # 종가는 1차원
learning_rate = 0.01
iterations = 500

# 3. 데이터 로드
xy = np.loadtxt("data-02-stock_daily.csv", delimiter=",")
xy = xy[::-1] # 데이터를 역순으로 ordering 해줌

train_size = int(len(xy) * 0.7) # 데이터의 70%를 train set으로 이용
train_set = xy[0:train_size] # train set
test_set = xy[train_size - seq_length:] # test set

# 4. 데이터 전처리
'''
 - 데이터를 보면, 주가는 800대 였고 거래량은 100만대 였다.
 - 모델이 느끼기에 800과 100만대를 다루는 건 부담스러운 작업이다.
 - 모델이 느끼기에 800과 100만대 중 100만대를 더 중요하게 생각할 수 있다.
 - scaler : 값을 0 ~ 1 사이의 상대값으로 전환한다. 최고가와 최저가 사이를 선형으로 나누어 0 ~ 1 의 값으로 만든다.
'''
# scaler
train_set = minmax_scaler(train_set)
test_set = minmax_scaler(test_set)

# X : 7일간의 데이터
# Y : 8일차 종가
trainX, trainY = build_dataset(train_set, seq_length) # build_dataset의 함수를 자세히 알고 싶다면 구글링 고고!
testX, testY = build_dataset(test_set, seq_length)

# 텐서화
trainX_tensor = torch.FloatTensor(trainX)
trainY_tensor = torch.FloatTensor(trainY)
testX_tensor = torch.FloatTensor(testX)
textY_tensor = torch.FloatTensor(testY)

# 5. RNN 모델(LSTM) 만들어 두기
class Net(torch.nn.Module):
  def __init__(self, input_dim, hidden_dim, output_dim, layers):
    super(Net, self).__init__()
    self.rnn = torch.nn.LSTM(input_dim, hidden_dim, num_layers = layers, batch_first=True) # RNN 모델로 LSTM 이용
    self.fc = torch.nn.Linear(hidden_dim, output_dim, bias = True) # FC Layer
    
  def forward(self, x):
    x, _status = self.rnn(x) # RNN 모델
    x = self.fc(x[:, -1]) # FC Layer
    return x
    
# 6. RNN 모델(LSTM) 이용하기
net = Net(data_dim, hidden_dim, output_dim, 1) # input_dim, hidden_dim, output_dim, 레이어 수를 설정하여 모델 이용

# 7. Loss와 Optimizer
criterion = torch.nn.MSELoss()
optimizer = optim.Adam(net.parameters(), lr = learning_rate)

# 8. RNN 모델(LSTM) 학습하기!
for i in range(iteration):
  outputs = net(trainX_tensor) # 예측값
  loss = criterion(outputs, trainY_tensor) # 예측값과 실제값을 통한 loss 구하기

  optimizer.zero_grad()
  loss.backward()
  optimizer.step()

  print(i, loss.item())

# 9. test 시각화
plt.plot(testY) # test 실제값 시각화
plt.plot(net(testX_tensor).data.numpy()) # test 예측값 시각화
plt.legend(['original', 'prediction']) # 축 설정
plt.show()