class LSTM(nn.Module):#注意Module首字母需要大寫
    def __init__(self, input_size=1, hidden_layer_size=100, output_size=1):
        super().__init__()
        self.hidden_layer_size = hidden_layer_size

        # 創(chuàng)建LSTM層和linear層，LSTM層提取特征，linear層用作最后的預(yù)測(cè)
        # LSTM算法接受三個(gè)輸入：先前的隱藏狀態(tài)，先前的單元狀態(tài)和當(dāng)前輸入。
        self.lstm = nn.LSTM(input_size, hidden_layer_size)
        self.linear = nn.Linear(hidden_layer_size, output_size)

        #初始化隱含狀態(tài)及細(xì)胞狀態(tài)C，hidden_cell變量包含先前的隱藏狀態(tài)和單元狀態(tài)
        self.hidden_cell = (torch.zeros(1, 1, self.hidden_layer_size),
                            torch.zeros(1, 1, self.hidden_layer_size))
                            # 為什么的第二個(gè)參數(shù)也是1
                            # 第二個(gè)參數(shù)代表的應(yīng)該是batch_size吧
                            # 是因?yàn)橹皩?duì)數(shù)據(jù)已經(jīng)進(jìn)行過切分了嗎？？？？？

    def forward(self, input_seq):
    	#lstm的輸出是當(dāng)前時(shí)間步的隱藏狀態(tài)ht和單元狀態(tài)ct以及輸出lstm_out
        lstm_out, self.hidden_cell = self.lstm(input_seq.view(len(input_seq), 1, -1), self.hidden_cell)
        #按照l(shuí)stm的格式修改input_seq的形狀，作為linear層的輸入
        predictions = self.linear(lstm_out.view(len(input_seq), -1))
        #返回predictions的最后一個(gè)元素
        return predictions[-1]

#創(chuàng)建LSTM()類的對(duì)象，定義損失函數(shù)和優(yōu)化器
model = LSTM()
loss_function = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)#建立優(yōu)化器實(shí)例
print(model)

epochs = 150
for i in range(epochs):
    for seq, labels in train_inout_seq:
        #清除網(wǎng)絡(luò)先前的梯度值
        optimizer.zero_grad()
        #初始化隱藏層數(shù)據(jù)
        model.hidden_cell = (torch.zeros(1, 1, model.hidden_layer_size),
                             torch.zeros(1, 1, model.hidden_layer_size))
        #實(shí)例化模型
        y_pred = model(seq)
        
        #計(jì)算損失，反向傳播梯度以及更新模型參數(shù)
        #訓(xùn)練過程中，正向傳播生成網(wǎng)絡(luò)的輸出，計(jì)算輸出和實(shí)際值之間的損失值
        single_loss = loss_function(y_pred, labels)
        single_loss.backward()#調(diào)用backward()自動(dòng)生成梯度
        optimizer.step()#使用optimizer.step()執(zhí)行優(yōu)化器，把梯度傳播回每個(gè)網(wǎng)絡(luò)

    # 查看模型訓(xùn)練的結(jié)果
    if i%25 == 1:
        print(f'epoch:{i:3} loss:{single_loss.item():10.8f}')
print(f'epoch:{i:3} loss:{single_loss.item():10.10f}')

fut_pred = 12
test_inputs = train_data_normalized[-train_window:].tolist()#首先打印出數(shù)據(jù)列表的最后12個(gè)值
print(test_inputs)

#更改模型為測(cè)試或者驗(yàn)證模式
model.eval()#把training屬性設(shè)置為false,使模型處于測(cè)試或驗(yàn)證狀態(tài)
for i in range(fut_pred):
    seq = torch.FloatTensor(test_inputs[-train_window:])
    with torch.no_grad():
        model.hidden = (torch.zeros(1, 1, model.hidden_layer_size),
                        torch.zeros(1, 1, model.hidden_layer_size))
        test_inputs.append(model(seq).item())
#打印最后的12個(gè)預(yù)測(cè)值
print(test_inputs[fut_pred:])
#由于對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化，因此預(yù)測(cè)數(shù)據(jù)也是標(biāo)準(zhǔn)化了的
#需要將歸一化的預(yù)測(cè)值轉(zhuǎn)換為實(shí)際的預(yù)測(cè)值。通過inverse_transform實(shí)現(xiàn)
actual_predictions = scaler.inverse_transform(np.array(test_inputs[train_window:]).reshape(-1, 1))
print(actual_predictions)

import torch
import torch.nn as nn
import torch.nn.functional	
import seaborn as sns
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
"""
導(dǎo)入數(shù)據(jù)
"""
flight_data = sns.load_dataset("flights")
print(flight_data.head())
print(flight_data.shape)

#繪制每月乘客的出行頻率
fig_size = plt.rcParams['figure.figsize']
fig_size[0] = 15
fig_size[1] = 5
plt.rcParams['figure.figsize'] = fig_size
plt.title('Month vs Passenger')
plt.ylabel('Total Passengers')
plt.xlabel('Months')
plt.grid(True)
plt.autoscale(axis='x',tight=True)
plt.plot(flight_data['passengers'])
plt.show()

"""
數(shù)據(jù)預(yù)處理
"""
flight_data.columns#顯示數(shù)據(jù)集中 列的數(shù)據(jù)類型
all_data = flight_data['passengers'].values.astype(float)#將passengers列的數(shù)據(jù)類型改為float
#劃分測(cè)試集和訓(xùn)練集
test_data_size = 12
train_data = all_data[:-test_data_size]#除了最后12個(gè)數(shù)據(jù)，其他全取
test_data = all_data[-test_data_size:]#取最后12個(gè)數(shù)據(jù)
print(len(train_data))
print(len(test_data))

#最大最小縮放器進(jìn)行歸一化，減小誤差，注意，數(shù)據(jù)標(biāo)準(zhǔn)化只應(yīng)用于訓(xùn)練數(shù)據(jù)而不應(yīng)用于測(cè)試數(shù)據(jù)
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(-1, 1))
train_data_normalized = scaler.fit_transform(train_data.reshape(-1, 1))
#查看歸一化之后的前5條數(shù)據(jù)和后5條數(shù)據(jù)
print(train_data_normalized[:5])
print(train_data_normalized[-5:])
#將數(shù)據(jù)集轉(zhuǎn)換為tensor，因?yàn)镻yTorch模型是使用tensor進(jìn)行訓(xùn)練的，并將訓(xùn)練數(shù)據(jù)轉(zhuǎn)換為輸入序列和相應(yīng)的標(biāo)簽
train_data_normalized = torch.FloatTensor(train_data_normalized).view(-1)
#view相當(dāng)于numpy中的resize,參數(shù)代表數(shù)組不同維的維度；
#參數(shù)為-1表示，這個(gè)維的維度由機(jī)器自行推斷，如果沒有-1，那么view中的所有參數(shù)就要和tensor中的元素總個(gè)數(shù)一致

#定義create_inout_sequences函數(shù)，接收原始輸入數(shù)據(jù)，并返回一個(gè)元組列表。
def create_inout_sequences(input_data, tw):
    inout_seq = []
    L = len(input_data)
    for i in range(L-tw):
        train_seq = input_data[i:i+tw]
        train_label = input_data[i+tw:i+tw+1]#預(yù)測(cè)time_step之后的第一個(gè)數(shù)值
        inout_seq.append((train_seq, train_label))#inout_seq內(nèi)的數(shù)據(jù)不斷更新，但是總量只有tw+1個(gè)
    return inout_seq
train_window = 12#設(shè)置訓(xùn)練輸入的序列長(zhǎng)度為12，類似于time_step = 12
train_inout_seq = create_inout_sequences(train_data_normalized, train_window)
print(train_inout_seq[:5])#產(chǎn)看數(shù)據(jù)集改造結(jié)果
"""
注意：
create_inout_sequences返回的元組列表由一個(gè)個(gè)序列組成，
每一個(gè)序列有13個(gè)數(shù)據(jù)，分別是設(shè)置的12個(gè)數(shù)據(jù)（train_window）+ 第13個(gè)數(shù)據(jù)（label）
第一個(gè)序列由前12個(gè)數(shù)據(jù)組成，第13個(gè)數(shù)據(jù)是第一個(gè)序列的標(biāo)簽。
同樣，第二個(gè)序列從第二個(gè)數(shù)據(jù)開始，到第13個(gè)數(shù)據(jù)結(jié)束，而第14個(gè)數(shù)據(jù)是第二個(gè)序列的標(biāo)簽，依此類推。
"""

"""
創(chuàng)建LSTM模型
參數(shù)說明：
1、input_size:對(duì)應(yīng)的及特征數(shù)量，此案例中為1，即passengers
2、output_size:預(yù)測(cè)變量的個(gè)數(shù)，及數(shù)據(jù)標(biāo)簽的個(gè)數(shù)
2、hidden_layer_size:隱藏層的特征數(shù)，也就是隱藏層的神經(jīng)元個(gè)數(shù)
"""
class LSTM(nn.Module):#注意Module首字母需要大寫
    def __init__(self, input_size=1, hidden_layer_size=100, output_size=1):
        super().__init__()
        self.hidden_layer_size = hidden_layer_size

        # 創(chuàng)建LSTM層和linear層，LSTM層提取特征，linear層用作最后的預(yù)測(cè)
        ##LSTM算法接受三個(gè)輸入：先前的隱藏狀態(tài)，先前的單元狀態(tài)和當(dāng)前輸入。
        self.lstm = nn.LSTM(input_size, hidden_layer_size)
        self.linear = nn.Linear(hidden_layer_size, output_size)

        #初始化隱含狀態(tài)及細(xì)胞狀態(tài)C，hidden_cell變量包含先前的隱藏狀態(tài)和單元狀態(tài)
        self.hidden_cell = (torch.zeros(1, 1, self.hidden_layer_size),
                            torch.zeros(1, 1, self.hidden_layer_size))
                            # 為什么的第二個(gè)參數(shù)也是1
                            # 第二個(gè)參數(shù)代表的應(yīng)該是batch_size吧
                            # 是因?yàn)橹皩?duì)數(shù)據(jù)已經(jīng)進(jìn)行過切分了嗎？？？？？

    def forward(self, input_seq):
        lstm_out, self.hidden_cell = self.lstm(input_seq.view(len(input_seq), 1, -1), self.hidden_cell)
        #lstm的輸出是當(dāng)前時(shí)間步的隱藏狀態(tài)ht和單元狀態(tài)ct以及輸出lstm_out
        #按照l(shuí)stm的格式修改input_seq的形狀，作為linear層的輸入
        predictions = self.linear(lstm_out.view(len(input_seq), -1))
        return predictions[-1]#返回predictions的最后一個(gè)元素
"""
forward方法：LSTM層的輸入與輸出：out, (ht,Ct)=lstm(input,(h0,C0)),其中
一、輸入格式：lstm(input,(h0, C0))
1、input為（seq_len,batch,input_size）格式的tensor,seq_len即為time_step
2、h0為(num_layers * num_directions, batch, hidden_size)格式的tensor，隱藏狀態(tài)的初始狀態(tài)
3、C0為(seq_len, batch, input_size）格式的tensor，細(xì)胞初始狀態(tài)
二、輸出格式：output,(ht,Ct)
1、output為(seq_len, batch, num_directions*hidden_size）格式的tensor，包含輸出特征h_t(源于LSTM每個(gè)t的最后一層)
2、ht為(num_layers * num_directions, batch, hidden_size)格式的tensor，
3、Ct為(num_layers * num_directions, batch, hidden_size)格式的tensor，
"""

#創(chuàng)建LSTM()類的對(duì)象，定義損失函數(shù)和優(yōu)化器
model = LSTM()
loss_function = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)#建立優(yōu)化器實(shí)例
print(model)

"""
模型訓(xùn)練
batch-size是指1次迭代所使用的樣本量；
epoch是指把所有訓(xùn)練數(shù)據(jù)完整的過一遍；
由于默認(rèn)情況下權(quán)重是在PyTorch神經(jīng)網(wǎng)絡(luò)中隨機(jī)初始化的，因此可能會(huì)獲得不同的值。
"""
epochs = 150
for i in range(epochs):
    for seq, labels in train_inout_seq:
        #清除網(wǎng)絡(luò)先前的梯度值
        optimizer.zero_grad()#訓(xùn)練模型時(shí)需要使模型處于訓(xùn)練模式，即調(diào)用model.train()。缺省情況下梯度是累加的，需要手工把梯度初始化或者清零，調(diào)用optimizer.zero_grad()
        #初始化隱藏層數(shù)據(jù)
        model.hidden_cell = (torch.zeros(1, 1, model.hidden_layer_size),
                             torch.zeros(1, 1, model.hidden_layer_size))
        #實(shí)例化模型
        y_pred = model(seq)
        #計(jì)算損失，反向傳播梯度以及更新模型參數(shù)
        single_loss = loss_function(y_pred, labels)#訓(xùn)練過程中，正向傳播生成網(wǎng)絡(luò)的輸出，計(jì)算輸出和實(shí)際值之間的損失值
        single_loss.backward()#調(diào)用loss.backward()自動(dòng)生成梯度，
        optimizer.step()#使用optimizer.step()執(zhí)行優(yōu)化器，把梯度傳播回每個(gè)網(wǎng)絡(luò)

    # 查看模型訓(xùn)練的結(jié)果
    if i%25 == 1:
        print(f'epoch:{i:3} loss:{single_loss.item():10.8f}')
print(f'epoch:{i:3} loss:{single_loss.item():10.10f}')

"""
預(yù)測(cè)
注意，test_input中包含12個(gè)數(shù)據(jù)，
在for循環(huán)中，12個(gè)數(shù)據(jù)將用于對(duì)測(cè)試集的第一個(gè)數(shù)據(jù)進(jìn)行預(yù)測(cè)，然后將預(yù)測(cè)值附加到test_inputs列表中。
在第二次迭代中，最后12個(gè)數(shù)據(jù)將再次用作輸入，并進(jìn)行新的預(yù)測(cè)，然后 將第二次預(yù)測(cè)的新值再次添加到列表中。
由于測(cè)試集中有12個(gè)元素，因此該循環(huán)將執(zhí)行12次。
循環(huán)結(jié)束后，test_inputs列表將包含24個(gè)數(shù)據(jù)，其中，最后12個(gè)數(shù)據(jù)將是測(cè)試集的預(yù)測(cè)值。
"""
fut_pred = 12
test_inputs = train_data_normalized[-train_window:].tolist()#首先打印出數(shù)據(jù)列表的最后12個(gè)值
print(test_inputs)

#更改模型為測(cè)試或者驗(yàn)證模式
model.eval()#把training屬性設(shè)置為false,使模型處于測(cè)試或驗(yàn)證狀態(tài)
for i in range(fut_pred):
    seq = torch.FloatTensor(test_inputs[-train_window:])
    with torch.no_grad():
        model.hidden = (torch.zeros(1, 1, model.hidden_layer_size),
                        torch.zeros(1, 1, model.hidden_layer_size))
        test_inputs.append(model(seq).item())
#打印最后的12個(gè)預(yù)測(cè)值
print(test_inputs[fut_pred:])
#由于對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化，因此預(yù)測(cè)數(shù)據(jù)也是標(biāo)準(zhǔn)化了的
#需要將歸一化的預(yù)測(cè)值轉(zhuǎn)換為實(shí)際的預(yù)測(cè)值。通過inverse_transform實(shí)現(xiàn)
actual_predictions = scaler.inverse_transform(np.array(test_inputs[train_window:]).reshape(-1, 1))
print(actual_predictions)

"""
根據(jù)實(shí)際值，繪制預(yù)測(cè)值
"""
x = np.arange(132, 132+fut_pred, 1)
plt.title('Month vs Passenger')
plt.ylabel('Total Passengers')
plt.xlabel('Months')
plt.grid(True)
plt.autoscale(axis='x', tight=True)
plt.plot(flight_data['passengers'])
plt.plot(x, actual_predictions)
plt.show()
#繪制最近12個(gè)月的實(shí)際和預(yù)測(cè)乘客數(shù)量,以更大的尺度觀測(cè)數(shù)據(jù)
plt.title('Month vs Passenger')
plt.ylabel('Total Passengers')
plt.xlabel('Months')
plt.grid(True)
plt.autoscale(axis='x', tight=True)
plt.plot(flight_data['passengers'][-train_window:])
plt.plot(x, actual_predictions)
plt.show()