在之前的学习中，已经对时间序列预测的相关内容有了大致的了解。为了进一步加深理解，并能够将所学知识应用于实际中，我决定找一个完整的Python框架来进行深入学习。经过寻找，我终于找到了一篇非常具有参考价值的源代码，非常感激。
接下来，我将详细记录自己的学习过程和心得，以便更好地掌握和应用时间序列预测技术。
这个项目的目录结构如下，展示了一个使用不同深度学习框架（Keras、PyTorch 和 TensorFlow）来进行股票价格预测的 Python 框架，包含多个模型文件和预测图像。
stock_predict_with_LSTM-master
│
├── data # 存放数据集
│ └── stock_data.csv
│
├── figure # 存放预测结果的图像
│ ├── continue_predict_high_with_pytorch.png
│ ├── continue_predict_low_with_pytorch.png
│ ├── predict_high_with_pytorch.png
│ └── predict_low_with_pytorch.png
│
├── model # 存放不同框架下的模型文件
│ ├── __pycache__ # Python 缓存目录
│ │ ├── __init__.cpython-38.pyc
│ │ └── model_pytorch.cpython-38.pyc
│ ├── __init__.py # 包声明文件
│ └── model_pytorch.py # PyTorch 模型实现
│
├── .gitignore # Git忽略文件，列出不提交到仓库的文件类型
├── LICENSE # 项目的许可证
├── main.py # 项目的主入口，通常是执行的主程序
├── README.md # 项目说明文档，介绍如何运行和使用该项目
├── requirements.txt # 列出项目依赖的 Python 包
一、data文件
该文件夹主要用于存放数据集，这里只有一个数据集，是.csv文件，部分数据如下图所示。
| index_code | date | open | close | low | high | volume | money | change |
| sh000001 | 1990/12/20 | 104.3 | 104.39 | 99.98 | 104.39 | 197000 | 85000 | 0.044109 |
| sh000001 | 1990/12/21 | 109.07 | 109.13 | 103.73 | 109.13 | 28000 | 16100 | 0.045407 |
| sh000001 | 1990/12/24 | 113.57 | 114.55 | 109.13 | 114.55 | 32000 | 31100 | 0.049666 |
| sh000001 | 1990/12/25 | 120.09 | 120.25 | 114.55 | 120.25 | 15000 | 6500 | 0.04976 |
| sh000001 | 1990/12/26 | 125.27 | 125.27 | 120.25 | 125.27 | 100000 | 53700 | 0.041746 |
| sh000001 | 1990/12/27 | 125.27 | 125.28 | 125.27 | 125.28 | 66000 | 104600 | 7.98E-05 |
| sh000001 | 1990/12/28 | 126.39 | 126.45 | 125.28 | 126.45 | 108000 | 88000 | 0.009339 |
二、figure文件夹
该文件夹主要用于存放不同框架（如 PyTorch、Keras、TensorFlow）进行股票高价和低价预测的结果图像。
三、model文件夹
1、__pycache__文件夹
__pycache__ 目录是 Python 自动生成的，用于存储已编译的字节码文件（.pyc 文件）。这些文件通常不需要手动编辑或提交到版本控制系统中，但 .gitignore 文件（后面介绍）通常会包含规则来忽略这些文件。
2、__init__.py文件
主要是用于声明 model是一个 Python 包，可以被导入到其他模块中。文件夹里为空。
主要展示使用Keras的深度学习框架来构建 LSTM 模型进行股票预测
3、model_pytorch.py文件（主要学习）
主要展示使用PyTorch的深度学习框架来构建 LSTM 模型进行股票预测
（1）定义模型类
定义一个名为Net的类，包含了LSTM（长短期记忆）层和全连接层。这个模型通过LSTM层处理时间序列数据，捕获数据中的长期依赖关系，然后通过全连接层将LSTM的输出（形状是 [batch_size, sequence_length, hidden_size]）映射到期望的输出大小（形状是[batch_size, hidden_size]）。
# 定义模型类
class Net(Module):
'''
定义包含LSTM和全连接层的PyTorch模型，用于时间序列预测。
'''
# 其中，Config 是一个用于配置模型训练、验证和预测过程的参数集合，
# 通常定义在一个单独的配置文件或类中（这里定义在main.py）。它包含关于模型结构、训练设置、数据路径等的关键参数。
def __init__(self, config):
super(Net, self).__init__()
# 初始化LSTM层：输入为config.input_size，隐藏单元为config.hidden_size，层数为config.lstm_layers
# batch_first=True表示输入张量的第一个维度是批次大小，dropout=config.dropout_rate指定在LSTM层之间应用的dropout率，以防止过拟合。
self.lstm = LSTM(input_size=config.input_size, hidden_size=config.hidden_size,
num_layers=config.lstm_layers, batch_first=True, dropout=config.dropout_rate)
# 初始化全连接层 :用于将LSTM的最后输出映射为期望的输出大小
self.linear = Linear(in_features=config.hidden_size, out_features=config.output_size)
def forward(self, x, hidden=None):
# 前向传播
lstm_out, hidden = self.lstm(x, hidden)
# 提取LSTM的最后时间步输出，输入到全连接层
linear_out = self.linear(lstm_out[:, -1, :])
return linear_out, hidden lstm_out[:, -1, :] 仅提取了 LSTM 输出的最后一个时间步的数据。其中 : 表示选择所有样本（在第一个维度上）；-1 表示选择最后一个时间步（在第二个维度上），这并不是说第二个维度“消失了”，而是说它在这个特定的索引操作中不再以原来的大小存在，被“压缩”了； : 表示选择该时间步的所有隐藏状态特征（在第三个维度上）。因此，这个操作的结果是一个形状为 [batch_size, hidden_size] 的张量。 属于单步预测。
（2）定义训练函数
def train(config, logger, train_and_valid_data): 这里的输入有三个：
Config 是用于配置模型的参数集合，logger 用于输出训练日志，train_and_valid_data 是包含训练和验证数据的元组或列表(train_X, train_Y, valid_X, valid_Y)
a、首先要分离数据，并创建数据加载器
分离成训练和验证两个数据集，这里使用DataLoader和TensorDataset创建数据加载器，可以分批次输入数据并计算损失，降低对计算资源的需求
# 创建DataLoader
train_loader = DataLoader(TensorDataset(train_X, train_Y), batch_size=config.batch_size)
valid_loader = DataLoader(TensorDataset(valid_X, valid_Y), batch_size=config.batch_size) TensorDataset(train_X, train_Y)将训练集特征和目标打包到一起，使得DataLoader能够一次性处理对应的输入和目标DataLoader用于将TensorDataset生成的小批次数据集，用config.batch_size指定每个批次的样本数量。
b、设置设备，并将模型移动到指定设备
device = torch.device("cuda:0" if config.use_cuda and torch.cuda.is_available() else "cpu") 这段代码用于检测用户配置和系统是否满足 GPU 的使用条件。如果满足（即use_cuda=True 且系统检测到 GPU），则选择 cuda:0（第一个 GPU）作为训练设备；否则，选择 cpu
之后将模型移动到指定设备
# 初始化模型并移动到指定设备
model = Net(config).to(device) 这里还涉及到 “增量训练”，
# 增量训练（如果配置中启用了增量训练） ，加载已保存的模型参数
if config.add_train:
model.load_state_dict(torch.load(config.model_save_path + config.model_name)) 有关增量训练的概念可参考这篇文章介绍：
时间序列预测（十三）——增量训练（Incremental Learning）-CSDN博客
c、初始化优化器和损失函数
使用Adam优化器来更新模型参数。使用均方误差（MSE）作为损失函数。
d、 训练循环
在所有的训练周期（epoch）内都要进行俩个模式：训练模式和评估模式。
model.train() # 设置模型为训练模式 在训练模式下，遍历训练数据加载器，进行前向传播、计算损失、反向传播和参数更新。根据配置决定是否清除隐藏状态的梯度。如果启用了可视化，则绘制训练损失。
这里损失计算时会有问题，需要将_train_Y 的形状与pred_Y 形状（二维）匹配，以便能够正确计算损失
_train_Y = _train_Y[:, -1, :] # 选择最后一个时间步的输出，形状为 [64, 2]结束后，设置模型为评估模式。
model.eval() # 设置模型为评估模式 遍历验证数据加载器，计算验证损失。计算并输出当前轮次的训练和验证损失。如果启用了可视化，则绘制每个轮次的训练和验证损失。
这里也有问题，需要将_valid_Y 的形状与pred_Y 形状（二维）匹配，以便能够正确计算损失
_valid_Y = _valid_Y[:, -1, :] # 选择最后一个时间步的输出，形状 [64, 2]最后还设置了早停机制。
if valid_loss_cur < valid_loss_min:
valid_loss_min = valid_loss_cur
bad_epoch = 0
# 保存最优模型
torch.save(model.state_dict(), config.model_save_path + config.model_name)
else:
bad_epoch += 1
if bad_epoch >= config.patience: # 若验证集损失未减小，则提前终止训练
logger.info(" The training stops early in epoch {}".format(epoch))
break 根据早停机制，如果验证损失达到新低（即当前验证损失小于之前记录的最小验证损失），则保存模型并重置早停计数器；否则（即，验证损失没有改善），则增加早停计数器，如果早停计数器超过了配置的耐心值（patience），则提前终止训练。
有关训练模式和评估模式的区别可以参考下面这篇文章：
时间序列预测（十二）——训练模式、评估模式和预测模式的区别-CSDN博客
（3）定义预测函数
def predict(config, test_X): 这里的输入有两个：
Config 是用于配置模型的参数集合，test_X:是测试数据集。
之后和训练函数有些相似
a、创建数据加载器
# 转换测试数据为Tensor
test_X = torch.from_numpy(test_X).float()
test_set = TensorDataset(test_X)
test_loader = DataLoader(test_set, batch_size=1)
b、设置设备，并将模型移动到指定设备
device = torch.device("cuda:0" if config.use_cuda and torch.cuda.is_available() else "cpu")
model = Net(config).to(device)
model.load_state_dict(torch.load(config.model_save_path + config.model_name)) c、进行预测
首先，将模型设置为评估模式
model.eval() 之后，遍历测试数据加载器，对于每个批次的数据：将数据移动到指定的设备上，使用模型进行预测，并更新隐藏状态。
这里还会使用 torch.squeeze(pred_X, dim=0) 移除预测结果中多余的维度（这是由于数据加载器 DataLoader 的批次大小设为1（batch_size=1），那么预测结果 pred_X 的形状会是 [1, time_step, input_size]，其中第一个维度（批次维度）仅包含单个元素。为简化后续处理，可移除该批次维度，使 pred_X 形状变为 [sequence_length, features]。）。
也使用 torch.cat((result, cur_pred), dim=0) ，将每次预测的结果cur_pred在指定的维度（这里是维度0，即行的方向）上与result进行拼接，添加到result中，从而汇总所有的预测结果。最终，result 的形状将是 (num_samples, output_size)，其中 num_samples 是测试数据中样本的总数量，output_size 是模型的输出维度（即要预测的目标变量的数量）
data_X = _data[0].to(device)
pred_X, hidden_predict = model(data_X, hidden_predict)
cur_pred = torch.squeeze(pred_X, dim=0) # 移除多余的维度
result = torch.cat((result, cur_pred), dim=0) # 拼接预测结果 最后使用 detach() 方法将 result从计算图中分离，并移动到CPU上，使用 .numpy() 方法将Tensor转换为NumPy数组，以便后续处理，形状仍然是 (num_samples, output_size)。（后面画图时会用到）
return result.detach().cpu().numpy() 有关计算图的概念可以参考这篇文章：
四、剩下的文件
1、.gitignore:
用于告诉 Git 哪些文件或文件夹不应该提交到版本控制系统中。通常包含 .pyc 缓存文件、虚拟环境文件等。
2、LICENSE:
项目的开源许可证，指明项目的使用权利和限制。这里是一个宽松的开源许可证Apache许可证2.0
3、main.py:
该文件是项目的主入口，应该包含整个项目的运行逻辑。通常从这里加载数据、构建模型并进行训练和预测。
（1）配置类 (Config)
a、数据参数：
定义特征列和目标列的索引，设置预测的天数。
b、网络参数：
包括输入输出大小、LSTM层数、隐藏层大小、dropout概率和时间步长。
c、训练参数：
训练和验证的设置（如批量大小、学习率、训练周期等），并配置随机种子以确保结果可复现。
d、路径参数：
定义数据、模型、图形和日志文件的保存路径，并创建必要的目录。
（2）数据处理类 (Data)
a、数据读取：
def read_data(self):读取CSV文件，如果处于调试模式 (debug_mode)，则只读取部分数据（debug_num 行）。否则，读取的数据包含特定的特征列 (feature_columns)。最后返回数据值和列名
b、获取训练和验证数据：
def get_train_and_valid_data(self):从归一化后的数据中提取特征数据和标签数据，这里已经错位了，特征从0开始，而标签是从1开始，因为是要预测未来一天（和 predict_day 有关）
根据是否连续训练 (do_continue_train)，采用不同的方式（非连续训练模式和连续训练模式，都是滑动窗口，步长time_step）生成训练样本 (train_x 和 train_y)（这里其实是训练样本和验证样本的合集），之后使用 train_test_split 方法划分成训练集和验证集。最后返回这四个样本train_x, valid_x, train_y, valid_y
c、获取测试数据：（由于运行出现了问题，所以这里做了修改）
def get_test_data(self, return_label_data=False) -> np.ndarray:
这里取训练数据之后的所有数据（为了对比预测效果，最后一个没取，因为predict_day =1）作为测试特征数据，取训练数据+predict_day 之后的所有数据作为测试标签数据。根据时间步长 (time_step) 生成测试样本 (test_x，test_y)。这里的样本之间是重叠的（原代码不重叠），具体采样方式如下图所示（因此最后的实际用到的测试数据要比测试特征数据少time_step+1,这会影响到后面draw（）函数画图）。
利用上面这种采样方式，假如10个X，步长是3，预测量是1，则有6个样本（10-3-1），输出6个Y，最后一个X用不到，由此推出可用样本数和对应的实际值索引。
如果 return_label_data 为 True，则同时返回测试样本和标签数据，否则只返回测试样本。真实情况下是不知道未来结果的，所以没有，但这里为了看预测效果，与实际值做了对比
这一部分修改后的具体代码如下：
def get_test_data(self, return_label_data=True):
# 获取测试数据（从归一化后的数据中）
feature_data = self.norm_data[self.train_num:self.data_num-self.config.predict_day+1] # 从训练数据之后的数据，不包括最后一行作为测试数据，因为标签要从下一行开始（这里正好是预测未来一天，可以不加不减，如果是两天三天就这样）
label_data = self.norm_data[self.config.predict_day + self.train_num :, #表示从 self.config.predict_day + self.train_num 索引开始，到 结束
self.config.label_in_feature_index] #指定了要从每个数据点中选取哪些特征作为标签
num_samples = feature_data.shape[0] - self.config.time_step + 1 # 可用样本数(由于滑动窗口的移动，最后time_step-1个数据用不到)
# 在测试数据中，每time_step行数据会作为一个样本，两个样本错开1行,例如：1-20行，2-21行，3-22行，直到数据末尾。
test_x = [feature_data[i:i + self.config.time_step] for i in range(num_samples)]
if return_label_data: # 实际应用中的测试集是没有label数据的
test_y = [label_data[i:i + self.config.time_step] for i in range(num_samples)]
return np.array(test_x), test_y
return np.array(test_x)最后数据集划分的结果可以参考下面这张图，按自己的理解画的
（3） 日志记录函数 (load_logger)
def load_logger(config: Config) -> logging.Logger:创建和配置日志记录器，根据配置决定将日志输出到屏幕 (此时do_log_print_to_screen为True) 和文件 (此时do_log_save_to_file为True)。
（4）绘图函数 (draw)（这里出现了问题，进行了修改）
def draw( config, origin_data, logger, predict_norm_data, label_data):用于绘制真实值和预测值的函数，便于可视化模型的预测效果。
这里predict_data与label_data也出现了形状不一致的问题，也做了一些修改。测试集的实际标签label_data直接由get_test_data（）函数获取，之后同样也需要进行反归一化处理。
（5）主函数（main）
def main(config):（6）if __name__ == "__main__"（最重要、必不可少）
这部分代码是Python脚本的标准做法，用于确保当脚本被直接运行时才执行某些代码。
a、导入 argparse库，
b、创建并配置 argparse 解析器
parser = argparse.ArgumentParser()
# 可以根据需要添加更多参数
args = parser.parse_args()创建一个 ArgumentParser 实例，并调用 parse_args 方法来解析命令行参数
c、创建配置实例并设置属性
con = Config() # 创建配置实例
for key in dir(args): # 遍历 args 的所有属性
if not key.startswith("_"): # 排除内部属性
setattr(con, key, getattr(args, key)) # 将属性值赋给配置创建了一个 Config 类的实例，用于存储配置信息。然后，遍历 args 对象的所有属性，将这些属性的值复制到 con 配置对象中。这里使用一个条件来排除以 _ 开头的属性，这些属性通常是 argparse 内部使用的。
d、运行主函数
main(con) # 运行主函数最后，这行代码调用 main 函数，并将配置对象 con 作为参数传递给它。
4、README.md:
这个文件通常提供项目的介绍和使用说明，帮助用户理解如何设置和运行项目。
<!-- 提供项目的介绍和使用说明，帮助用户理解如何设置和运行项目 -->
1、检查工作目录：确保在 stock_predict_with_LSTM-master 目录中运行脚本main.py。可以在终端或命令提示符中使用以下命令：
cd E:\pythonProject\stock_predict_with_LSTM-master
2、之后运行脚本main.py即可
5、requirements.txt:
该文件主要是列出项目的依赖包。本项目的依赖包如下：
pandas>=1.0.0
argparse
tensorflow>=2.5.0
matplotlib>=3.0.2
numpy>=1.14.6
scipy>=1.1.0
torch>=1.8.0
scikit-learn>=0.20.0
visdom要安装 requirements.txt 文件中列出的所有依赖，可以使用 Python 的包管理工具 pip
在命令行中，导航到包含 requirements.txt 文件的目录，并运行以下命令：
pip install -r requirements.txt这里的 -r 选项告诉 pip 从一个文件中读取依赖包列表，并进行安装。
到此就完全讲解结束了，以下是运行结果
五、运行结果
最后运行结果和原文件中的预测效果相比，差了一些，但也展示出了一定的预测能力
总结：
经过学习，可以做以下几点拓展：
- 多步预测：可以尝试为多步预测的时间序列预测模型。
- 更多模型：可以尝试加入更多的时间序列预测模型，如 GRU（Gated Recurrent Unit）或双向 LSTM，并观察它们与现有模型的表现对比。
- 新的数据集：可以尝试将该框架应用到其他时间序列数据集上，如温度预测、电力负荷预测等，以扩展其应用场景。
参考文章：
别忘了给这篇文章点个赞哦，非常感谢。我也正处于学习的过程，如果有问题，欢迎在评论区留言讨论，一起学习！
