网易首页 > 网易号 > 正文 申请入驻

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

0
分享至

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

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
北京中公教育新增1100余条被执行人信息,执行标的合计24.7亿余元

北京中公教育新增1100余条被执行人信息,执行标的合计24.7亿余元

界面新闻
2024-11-25 16:32:44
终于爆发!哈利伯顿9记三分狂轰34+13,鹈鹕奇兵21助攻创新高

终于爆发!哈利伯顿9记三分狂轰34+13,鹈鹕奇兵21助攻创新高

橙汁的味道123
2024-11-26 10:33:52
NBA战报:活塞102-100险胜猛龙,斯科蒂-巴恩斯空砍31分

NBA战报:活塞102-100险胜猛龙,斯科蒂-巴恩斯空砍31分

懂球帝
2024-11-26 10:40:00
韩德君:中国男篮史上,在大前锋这个位置,让我敬佩的只有1人

韩德君:中国男篮史上,在大前锋这个位置,让我敬佩的只有1人

侃故事的阿庆
2024-11-26 07:55:03
从配角到主角,票房却从6.2亿降到232万,这正是影视圈的残酷

从配角到主角,票房却从6.2亿降到232万,这正是影视圈的残酷

电影侦探社
2024-11-25 16:00:33
430公里纯电+增程!大电池小油箱成为压倒油车的最后一根稻草!

430公里纯电+增程!大电池小油箱成为压倒油车的最后一根稻草!

娱乐的小灶
2024-11-25 13:31:23
许世友的小儿子,曾担任过两个军区的司令员,如今73岁功成身退

许世友的小儿子,曾担任过两个军区的司令员,如今73岁功成身退

历史小书生
2024-11-25 09:51:36
美国大使馆紧急关闭,美俄大战一触即发?拜登的离谱命令闯下大祸

美国大使馆紧急关闭,美俄大战一触即发?拜登的离谱命令闯下大祸

国学璀璨
2024-11-25 10:13:24
游击队员被德军判死刑,比利时王国去求情遭拒,江苏妇女将其救下

游击队员被德军判死刑,比利时王国去求情遭拒,江苏妇女将其救下

梦里大唐
2024-11-25 17:52:54
小龙女与公孙止行房十个时辰,杨过为何不在意?只有黄蓉将他看透

小龙女与公孙止行房十个时辰,杨过为何不在意?只有黄蓉将他看透

耳东文史
2024-11-07 00:05:36
亚冠精英赛第5轮,山东泰山-柔佛新山,前瞻:今非昔比

亚冠精英赛第5轮,山东泰山-柔佛新山,前瞻:今非昔比

足坛超短波
2024-11-26 04:45:02
“马斯克,将是中国面临的最大挑战”

“马斯克,将是中国面临的最大挑战”

观察者网
2024-11-25 10:32:07
再撑撑,还有一年多的时间......

再撑撑,还有一年多的时间......

梳子姐
2024-11-25 16:23:54
戴笠坠机是骗局?台湾一老妇临终前曾揭露真相,却始终无人相信

戴笠坠机是骗局?台湾一老妇临终前曾揭露真相,却始终无人相信

古今历史记
2024-11-19 10:20:17
邮报:阿莫林在曼彻斯特暂住五星级酒店,房费每晚4000镑

邮报:阿莫林在曼彻斯特暂住五星级酒店,房费每晚4000镑

直播吧
2024-11-26 08:33:46
有一种痛苦叫买了“横厅”,卖不出去也不想住,彻底沦为不动产

有一种痛苦叫买了“横厅”,卖不出去也不想住,彻底沦为不动产

巢客HOME
2024-11-20 12:00:03
“卢鑫玉浩决裂”大解密:罪魁祸首不是郭德纲,而是苗阜

“卢鑫玉浩决裂”大解密:罪魁祸首不是郭德纲,而是苗阜

圈里的甜橙子
2024-11-25 19:26:11
帅翻了!沙溢一年减重36斤重回跑男,肌肉明显变型男,魅力十足!

帅翻了!沙溢一年减重36斤重回跑男,肌肉明显变型男,魅力十足!

七楼的蒲公英
2024-11-25 17:20:19
这是在大英博物馆的真实龙袍,和你印象中的龙袍是否一致?

这是在大英博物馆的真实龙袍,和你印象中的龙袍是否一致?

视点历史
2024-11-24 19:10:19
巴西G20峰会,印度向我国交底、韩国表态,没给拜登留一点面子!

巴西G20峰会,印度向我国交底、韩国表态,没给拜登留一点面子!

史小纪
2024-11-25 10:10:14
2024-11-26 10:59:00
deephub
deephub
CV NLP和数据挖掘知识
1503文章数 1417关注度
往期回顾 全部

科技要闻

特朗普不补贴电车 加州:我补 但不含特斯拉

头条要闻

牛弹琴:特朗普又获重大胜利 洋洋得意发了篇长推文

头条要闻

牛弹琴:特朗普又获重大胜利 洋洋得意发了篇长推文

体育要闻

37岁,他用“半条右腿”重返巅峰

娱乐要闻

分手复合又打胎,黄晓明说希望是一场梦

财经要闻

刘煜辉最新演讲全文:蛇的策略

汽车要闻

特斯拉限时优惠:Model Y仅23.99万起 还能5年0息

态度原创

本地
时尚
亲子
家居
公开课

本地新闻

城市24小时|领跑万亿城市,武汉“开挂”了?

今冬穿“奶甜风”的女生们,等着被夸吧!

亲子要闻

弟弟跟哥哥分享自己的零食,哥哥一口没留直接吃完

家居要闻

色彩搭配 活跃空间气氛

公开课

一块玻璃,如何改变人类世界?

无障碍浏览 进入关怀版