R语言深度学习Keras循环神经网络（RNN）模型预测多输出变量时间序列

在本教程中，我们将简要地学习如何用R中的Keras RNN模型来拟合和预测多输出的序列数据，你也可以对时间序列数据应用同样的方法。我们将使用Keras R接口在R中实现神经网络：

准备数据

定义模型

预测和可视化结果

我们将从加载R的必要包开始。

library(keras)准备数据

首先，我们将为本教程创建一个多输出数据集。它是随机产生的数据，下面有一些规则。在这个数据集中有三个输入变量和两个输出变量。我们将绘制生成的数据，以直观地检查它。

plot(s, df$y1, ylim = c(min(df), max(df)), type = "l")

lines(s, df$y2, type = "l")

lines(s, df$x1, type = "l")

lines(s, df$x2, type = "l")

lines(s, df$x3, type = "l")

接下来，我们将把数据分成训练和测试两部分。最后的50个元素将是测试数据。

train = df\[1:(n-tsize), \]

test = df\[(n-tsize+1):n, \]

我们将创建x输入和y输出数据来训练模型，并将它们转换成矩阵类型。

xtrain = as.matrix(data.frame(train$x1, train$x2, train$x3))

ytrain = as.matrix(data.frame(train$y1, train$y2))

接下来，我们将通过给定的步长值对输入和输出值进行切分来准备数据。在这个例子中，步长值是2，我们将把x的第一和第二行以及y的第二行作为一个标签值。下一个元素成为x的第二和第三行以及y的第三行，这个序列一直持续到结束。下表解释了如何创建x和y数据的序列。

如果步长值为3，我们将取3行x数据，第三行y数据成为输出。

dim(trains$x)

\[1\] 798   3   2

dim(trains$y)

\[1\] 798   2

定义模型

我们将通过添加简单的RNN层、用于输出的Dense层和带有MSE损失函数的Adam优化器来定义序列模型。我们将在模型的第一层设置输入维度，在最后一层设置输出维度。

model %>% summary()

我们将用训练数据来拟合这个模型。

fit(trains$x, trains$y)

并检查训练的准确性。

evaluate(trains$x, trains$y, verbose = 0)

print(scores)

预测和可视化的结果

最后，我们将预测测试数据，用RMSE指标检查y1和y2的准确性。

cat("y1 RMSE:", RMSE(tests$y\[, 1\], ypred\[, 1\]))

``````

cat("y2 RMSE:", RMSE(tests$y\[, 2\], ypred\[, 2\]))

我们可以在图中直观地检查结果。

``````

plot(x_axes, tests$y\[, 1\], ylim = c(min(tests$y), max(tests$y))type = "l", lwd = 2,

在本教程中，我们已经简单了解了如何用R中的Keras rnn模型来拟合和预测多输出的顺序数据。