最新のリリースでは、このページがまだ翻訳されていません。このページの最新版は英語でご覧になれます。

深層学習を使用した時系列予測

この例では、長短期記憶 (LSTM) ネットワークを使用して時系列データを予測する方法を説明します。

シーケンスの将来のタイムステップの値を予測するために、sequence-to-sequence 回帰用の LSTM ネットワークに学習させることができます。その応答は、1 タイムステップ分シフトした値を持つ学習シーケンスです。つまり、入力シーケンスの各タイムステップで、LSTM ネットワークは次のタイムステップの値を予測するように学習します。

将来の複数のタイムステップの値を予測するには、関数 predictAndUpdateState を使用して、タイムステップを 1 つずつ予測し、予測ごとにネットワークの状態を更新します。

この例ではデータセット chickenpox_dataset を使用します。この例では、前月までの水ぼうそうの発生件数を与えて、水ぼうそうの発生件数を予測するよう LSTM ネットワークに学習させます。

シーケンスデータの読み込み

例のデータを読み込みます。chickenpox_dataset には、月に対応するタイムステップと発生件数に対応する値を含む 1 つの時系列が含まれています。出力は cell 配列で、その各要素は 1 つのタイムステップです。データを行ベクトルに形状変更します。

data = chickenpox_dataset;
data = [data{:}];

figure
plot(data)
xlabel("Month")
ylabel("Cases")
title("Monthly Cases of Chickenpox")

学習データとテストデータに分割します。シーケンスの最初の 90% で学習を行い、残りの 10% でテストを行います。

numTimeStepsTrain = floor(0.9*numel(data));

dataTrain = data(1:numTimeStepsTrain+1);
dataTest = data(numTimeStepsTrain+1:end);

データの標準化

良好な適合を実現し、学習の発散を防ぐには、ゼロ平均と単位分散を持つように学習データを標準化します。予測時には、学習データと同じパラメーターを使用してテストデータを標準化しなければなりません。

mu = mean(dataTrain);
sig = std(dataTrain);

dataTrainStandardized = (dataTrain - mu) / sig;

予測子と応答の準備

シーケンスの将来のタイムステップの値を予測するには、1 タイムステップ分シフトした値を持つ学習シーケンスになるように応答を指定します。つまり、入力シーケンスの各タイムステップで、LSTM ネットワークは次のタイムステップの値を予測するように学習します。予測子は、最後のタイムステップを含まない学習シーケンスです。

XTrain = dataTrainStandardized(1:end-1);
YTrain = dataTrainStandardized(2:end);

LSTM ネットワークアーキテクチャの定義

LSTM 回帰ネットワークを作成します。200 個の隠れユニットを持つ LSTM 層を指定します。

numFeatures = 1;
numResponses = 1;
numHiddenUnits = 200;

layers = [ ...
    sequenceInputLayer(numFeatures)
    lstmLayer(numHiddenUnits)
    fullyConnectedLayer(numResponses)
    regressionLayer];

学習オプションを指定します。ソルバーを 'adam' に設定し、学習を 250 エポック行います。勾配の発散を防ぐために、勾配のしきい値を 1 に設定します。初期学習率を 0.005 に指定し、125 エポック後に係数 0.2 を乗算して学習率を下げます。

options = trainingOptions('adam', ...
    'MaxEpochs',250, ...
    'GradientThreshold',1, ...
    'InitialLearnRate',0.005, ...
    'LearnRateSchedule','piecewise', ...
    'LearnRateDropPeriod',125, ...
    'LearnRateDropFactor',0.2, ...
    'Verbose',0, ...
    'Plots','training-progress');

LSTM ネットワークの学習

trainNetwork を使用し、指定した学習オプションで LSTM ネットワークに学習させます。

net = trainNetwork(XTrain,YTrain,layers,options);

将来のタイムステップの予測

将来の複数のタイムステップの値を予測するには、関数 predictAndUpdateState を使用して、タイムステップを 1 つずつ予測し、予測ごとにネットワークの状態を更新します。予測ごとに、前の予測を関数への入力として使用します。

学習データと同じパラメーターを使用してテストデータを標準化します。

dataTestStandardized = (dataTest - mu) / sig;
XTest = dataTestStandardized(1:end-1);

ネットワークの状態を初期化するには、まず、学習データ XTrain について予測を行います。次に、学習の応答 YTrain(end) の最後のタイムステップを使用して、最初の予測を行います。残りの予測についてループし、前の予測を predictAndUpdateState に入力します。

データの大規模なコレクション、長いシーケンス、または大規模ネットワークの場合は、通常、GPU での予測の方が CPU での予測より計算時間が短縮されます。そうでない場合、通常、CPU での予測の計算の方が高速です。1 タイムステップの予測には、CPU を使用します。予測に CPU を使用するには、predictAndUpdateState の 'ExecutionEnvironment' オプションを 'cpu' に設定します。

net = predictAndUpdateState(net,XTrain);
[net,YPred] = predictAndUpdateState(net,YTrain(end));

numTimeStepsTest = numel(XTest);
for i = 2:numTimeStepsTest
    [net,YPred(:,i)] = predictAndUpdateState(net,YPred(:,i-1),'ExecutionEnvironment','cpu');
end

前に計算したパラメーターを使用して予測を非標準化します。

YPred = sig*YPred + mu;

学習の進行状況プロットには、標準化されたデータから計算された平方根平均二乗誤差 (RMSE) が報告されます。非標準化された予測から RMSE を計算します。

YTest = dataTest(2:end);
rmse = sqrt(mean((YPred-YTest).^2))

rmse = single
    248.5531

予測値と共に学習の時系列をプロットします。

figure
plot(dataTrain(1:end-1))
hold on
idx = numTimeStepsTrain:(numTimeStepsTrain+numTimeStepsTest);
plot(idx,[data(numTimeStepsTrain) YPred],'.-')
hold off
xlabel("Month")
ylabel("Cases")
title("Forecast")
legend(["Observed" "Forecast"])

予測値をテストデータと比較します。

figure
subplot(2,1,1)
plot(YTest)
hold on
plot(YPred,'.-')
hold off
legend(["Observed" "Forecast"])
ylabel("Cases")
title("Forecast")

subplot(2,1,2)
stem(YPred - YTest)
xlabel("Month")
ylabel("Error")
title("RMSE = " + rmse)

観測値によるネットワークの状態の更新

予測と予測の間にタイムステップの実際の値にアクセスできる場合、予測値の代わりに観測値を使用してネットワークの状態を更新できます。

まず、ネットワークの状態を初期化します。新しいシーケンスについて予測を行うには、resetState を使用してネットワークの状態をリセットします。ネットワークの状態をリセットすると、前の予測が新しいデータについての予測に影響を与えるのを防ぐことができます。ネットワークの状態をリセットしてから、学習データに対して予測を行い、ネットワークの状態を初期化します。

net = resetState(net);
net = predictAndUpdateState(net,XTrain);

タイムステップごとに予測を行います。予測ごとに、前のタイムステップの観測値を使用して次のタイムステップを予測します。predictAndUpdateState の 'ExecutionEnvironment' オプションを 'cpu' に設定します。

YPred = [];
numTimeStepsTest = numel(XTest);
for i = 1:numTimeStepsTest
    [net,YPred(:,i)] = predictAndUpdateState(net,XTest(:,i),'ExecutionEnvironment','cpu');
end

前に計算したパラメーターを使用して予測を非標準化します。

YPred = sig*YPred + mu;

平方根平均二乗誤差 (RMSE) を計算します。

rmse = sqrt(mean((YPred-YTest).^2))

rmse = 158.0959

予測値をテストデータと比較します。

figure
subplot(2,1,1)
plot(YTest)
hold on
plot(YPred,'.-')
hold off
legend(["Observed" "Predicted"])
ylabel("Cases")
title("Forecast with Updates")

subplot(2,1,2)
stem(YPred - YTest)
xlabel("Month")
ylabel("Error")
title("RMSE = " + rmse)