基于Liquid State Machine的时间序列预测:利用储备池计算实现高效建模

本文涉及的产品
智能开放搜索 OpenSearch行业算法版,1GB 20LCU 1个月
实时数仓Hologres,5000CU*H 100GB 3个月
实时计算 Flink 版,5000CU*H 3个月
简介: **Liquid State Machine (LSM)** 是一种 **脉冲神经网络 (Spiking Neural Network, SNN)** ,在计算神经科学和机器学习领域中得到广泛应用,特别适用于处理 **时变或动态数据**。它是受大脑自然信息处理过程启发而提出的一种 **脉冲神经网络** 。

Liquid State Machine (LSM) 是一种 脉冲神经网络 (Spiking Neural Network, SNN) ,在计算神经科学和机器学习领域中得到广泛应用,特别适用于处理 时变或动态数据。它是受大脑自然信息处理过程启发而提出的一种 脉冲神经网络

设想你正处于一片平静的湖面,四周环绕着高山,你向水中投入一块石头。涟漪开始形成,向四周扩散。此时,在附近再投入一块石头。第二块石头产生的涟漪与第一块s石头产生的涟漪相互交叠,在水面上形成复杂多变的图案。这种图案并非随机产生;它包含了每块石头落水的位置、时间、大小,甚至每次撞击释放的能量等信息。

利用这种涟漪效应来理解和解决问题。在某种程度上,这就是 Liquid State Machines (LSMs) 的工作原理。

由于其处理时间信息的独特方法和特殊的网络结构,Liquid State Machine (LSM) 模型与传统神经网络存在显著差异。

LSM简介

标准神经网络,如前馈网络,本身并不处理时间信息。循环神经网络(Recurrent Neural Network, RNN),如长短期记忆网络(Long Short-Term Memory, LSTM),通过反馈回路捕获序列信息,但需要对每一步进行显式训练。相比之下,LSM使用随机连接的神经元储备池("液体")将输入数据转化为高维动态状态。储备池的设计目的是随时间"回响"输入信号,被动捕捉时间模式而无需直接训练。这种结构以稀疏、高效的方式捕获输入数据的时间依赖性。

传统模型如RNN、LSTM和GRU(Gated Recurrent Unit)依赖于通过时间的反向传播(Backpropagation Through Time, BPTT)算法进行训练,这可能 计算量很大 ,而且经常出现梯度消失和梯度爆炸等问题。在LSM中,只对读出层进行训练,通常使用线性回归模型(例如岭回归),而储备池保持固定不变。这种方法 降低了计算负荷 ,简化了训练过程,因为只需要优化输出层的参数。

尽管RNN和LSTM可以对 时间模式 进行建模,但除非经过明确调优和多次迭代训练,否则这些模型在处理高度混沌或非线性系统时表现欠佳。得益于储备池的随机连接和丰富的非线性内部动力学,LSM可以有效处理 高度复杂和混沌的数据 。这种结构特别有利于需要对时间输入的微小变化保持敏感的任务,例如语音识别或混沌时间序列预测。

RNN主要用于顺序预测任务,而LSM则可以同时执行分类和预测任务。

代码实现

我们将使用Python构建一个时间序列数据的预测模型。

安装必要的库

 !pip install reservoirpy matplotlib numpy

导入库并加载数据集

 import numpy as np  
 import matplotlib.pyplot as plt  
 from reservoirpy.nodes import Reservoir, Ridge  
 from reservoirpy.datasets import mackey_glass  

 # 加载Mackey-Glass数据集
 data = mackey_glass(n_timesteps=1000, tau=17)  

 # 可视化时间序列数据
 plt.plot(data)  
 plt.title("Mackey-Glass Timeseries Data")  
 plt.xlabel("Time Step")  
 plt.ylabel("Value")  
 plt.show()

Mackey-Glass数据集 是一个在非线性系统建模和预测研究中经常使用的混沌时间序列。它模拟了一个生理反馈回路,根据延迟参数的不同可以表现出混沌特性。这使得它成为评估需要捕获复杂时间依赖性模型的理想数据集。

数据预处理

 # 对数据进行归一化处理
 data = (data - np.mean(data)) / np.std(data)

划分训练集和测试集

 # 将数据集划分为训练集和测试集
 split_ratio = 0.8  
 split_idx = int(split_ratio * len(data))  
 train_data, test_data = data[:split_idx], data[split_idx:]

定义储备池参数

 # 构建并配置Liquid State Machine(储备池)
 reservoir_size = 500  # 储备池中的神经元数量

LSM模型由一个储备层和一个读出层组成。储备池 在高维空间中捕获时间动力学信息,读出层 对这些动力学信息进行回归。

     # 创建储备池和读出层
     reservoir = Reservoir(units=reservoir_size, lr=0.1, input_scaling=0.5, sr=0.9)  # 将'spectral_radius'参数简写为'sr'
     readout = Ridge(ridge=1e-6)

通过将数据输入到储备池神经元,可以生成高维状态,捕获输入数据的时间依赖性。线性回归读出层(

Ridge

)将储备池状态映射到下一个时间步的值。

现在,创建完整的LSM模型。

     # 连接各层,构建LSM模型
     model = reservoir >> readout

使用训练数据的储备池状态训练模型,目标是预测下一个时间步的值。

 # 调整数据形状以适应训练
 X_train = train_data[:-1].reshape(-1, 1)  # 输入数据
 y_train = train_data[1:]  # 目标数据(下一个时间步的值)

 # 训练模型
 model = model.fit(X_train, y_train, warmup=100)

使用训练好的模型对测试集进行预测,并将预测结果与真实值进行对比。

 # 生成预测结果
 X_test = test_data[:-1].reshape(-1, 1)  
 y_test = test_data[1:]  
 predictions = model.run(X_test)
 #绘制预测结果与真实测试数据的对比图
 plt.figure(figsize=(12, 6))
 plt.plot(y_test, label="Actual", color='b')
 plt.plot(predictions, label="Predicted", color='r')
 plt.title("Mackey-Glass Prediction with Liquid State Machine")
 plt.xlabel("Time Step")
 plt.ylabel("Value")
 plt.legend()
 plt.show()

通过观察储备池神经元的激活情况,可以深入了解储备池如何将时间序列输入转化为高维状态。

     # 通过观察部分神经元的激活情况来分析储备池动力学
     plt.figure(figsize=(10, 6))  
     states = reservoir.run(X_train)  
     for i in range(5):  # 绘制前5个神经元的激活情况
         plt.plot(states[:, i], label=f"Neuron {i+1}")  
     plt.title("Reservoir Neuron Activations (Subset)")  
     plt.xlabel("Time Step")  
     plt.ylabel("Activation")  
     plt.legend()  
     plt.show()

LSM最初的设计灵感来自脉冲神经元,它对于需要实时处理和高时间精度的任务非常有效。在计算效率和训练复杂度要求较高的场景下,LSM也是一种强大的技术选择。

总结

这篇文章介绍了一种基于Liquid State Machine (LSM)模型的时间序列预测方法。LSM是一种脉冲神经网络,特别适用于处理时变或动态数据。与传统的神经网络模型相比,LSM通过随机连接的储备池捕获时间依赖性,并且只需训练读出层,大大降低了计算负荷。文章详细阐述了LSM的工作原理,并使用Python和ReservoirPy库实现了一个完整的时间序列预测案例。以Mackey-Glass数据集为例,展示了数据预处理、模型构建、训练和预测的完整流程。同时,通过可视化储备池神经元的激活情况,直观地展现了LSM将时间序列转化为高维状态的过程。文章表明,LSM模型在处理复杂时间序列和实时预测任务方面具有显著优势,为时间序列预测提供了一种高效、可扩展的新思路。

https://avoid.overfit.cn/post/b09f504dbeff4ca199a9fe1d0847f632

作者:Nivedita Bhadra

目录
相关文章
|
6月前
|
算法
基于R语言混合效应模型(mixed model)案例研究
基于R语言混合效应模型(mixed model)案例研究
|
5月前
|
机器学习/深度学习 存储 编解码
Tiny Time Mixers (TTM)轻量级时间序列基础模型:无需注意力机制,并且在零样本预测方面表现出色
IBM研究人员提出Tiny Time Mixers (TTM),这是一个轻量级、基于mlp的TS模型,参数量小于1M,在M4数据集上表现优于大型SOTA模型,且具备优秀的零样本预测能力。TTM无注意力机制,利用TSMixer进行多级建模,自适应补丁和频率前缀调整等创新特性提升性能。预训练和微调阶段各有独特设计,预训练仅用单变量序列,微调时学习多变量依赖。TTM在某些任务中证明了小模型的优越性,且模型已开源。
252 1
|
6月前
基于R语言混合效应模型(mixed model)案例研究-1
基于R语言混合效应模型(mixed model)案例研究
|
6月前
|
资源调度 算法 数据挖掘
R语言有限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发时间
R语言有限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发时间
|
6月前
|
机器学习/深度学习 移动开发 Go
R语言经济学:动态模型平均(DMA)、动态模型选择(DMS)预测原油时间序列价格
R语言经济学:动态模型平均(DMA)、动态模型选择(DMS)预测原油时间序列价格
|
6月前
|
算法
基于R语言混合效应模型(mixed model)案例研究-2
基于R语言混合效应模型(mixed model)案例研究
|
6月前
|
数据可视化
R语言建立和可视化混合效应模型mixed effect model
R语言建立和可视化混合效应模型mixed effect model
|
6月前
|
机器学习/深度学习 存储 编解码
多任务学习新篇章 | EMA-Net利用Cross-Task Affinity实现参数高效的高性能预测
多任务学习新篇章 | EMA-Net利用Cross-Task Affinity实现参数高效的高性能预测
166 0
|
数据挖掘 Serverless
Robust火山图:一种含离群值的代谢组数据差异分析方法
代谢组学中差异代谢物的识别仍然是一个巨大的挑战,并在代谢组学数据分析中发挥着突出的作用。由于分析、实验和生物的模糊性,代谢组学数据集经常包含异常值,但目前可用的差异代谢物识别技术对异常值很敏感。作者这里提出了一种基于权重的具有稳健性火山图方法,助于从含有离群值的代谢组数据中更加准确鉴定差异代谢物。
231 0
|
机器学习/深度学习 文件存储 计算机视觉
【最强模型之道】AWS Auto-Aug:通过Weight共享改进自动数据增广,打造最高精度单模型
【最强模型之道】AWS Auto-Aug:通过Weight共享改进自动数据增广,打造最高精度单模型
260 0