tensorflow 1.3 lstm训练和预测铁路客运数据

使用LSTM预测铁路客运时间序列，代码在tensorflow 1.3上调试运行通过，解决了网络相关资源的一些坑（很多资源不是tensorflow的版本太旧就是数据与铁路客运数据不太匹配，难以直接运行测试），不需要建立train模型和test模型（被绕了半天，这种测试应该毫无必要），可对不同的超参数组合比较训练误差和学习误差！

# coding: utf-8
“““
2017-8-20
使用最基本的LSTM神经网预测客运数据
HParams： 模型的超参数
TS_LSTM：时间序列训练的LSTM模型
train_test：训练和测试函数
@ 蒋秋华
“““
import numpy as np  
import tensorflow as tf  
import matplotlib.pyplot as plt  
import pandas as pd  
from collections import namedtuple   
“““
简单的时间序列LSTM模型！
“““
HParams = namedtuple（‘HParams‘
                     ‘seq_size hidden_size learning_rate‘）

class TS_LSTM（object）:
    def __init__（self hps）:
        self._X = X = tf.placeholder（tf.float32 [None hps.seq_size 1]）  
        self._Y = Y = tf.placeholder（tf.float32 [None hps.seq_size]）      
        W = tf.Variable（tf.random_normal（[hps.hidden_size 1]） name=‘W‘）  
        b = tf.Variable（tf.random_normal（[1]） name=‘b‘）  
        lstm_cell = tf.nn.rnn_cell.BasicLSTMCell（hps.hidden_size）  #测试cost 1.3809
        # lstm_cell = tf.nn.rnn_cell.BasicLSTMCell（config.hidden_sizeactivation=tf.nn.relu）   #测试cost 261.078，性能太差
        outputs states = tf.nn.dynamic_rnn（lstm_cell X dtype=tf.float32）  
        W_repeated = tf.tile（tf.expand_dims（W 0） [tf.shape（X）[0] 1 1]）  
        output = tf.nn.xw_plus_b（outputs W_repeated b）  
        self._output = output = tf.squeeze（output）  
        self._cost = cost = tf.reduce_mean（tf.square（output - Y））  
        self._train_op = tf.train.AdamOptimizer（hps.learning_rate）.minimize（cost）  
        
    @property
    def X（self）:
        return self._X

    @property
    def Y（self）:
        return self._Y   

    @property
    def cost（self）:
        return self._cost
    
    @property
    def output（self）:
        return self._output

    @property
    def train_op（self）:
        return self._train_op

def train_test（hps data）:
     #训练数据准备
    train_data_len = len（data）*2//3
    train_x train_y = [] []  
    for i in range（train_data_len - hps.seq_size - 1）:  
        train_x.append（np.expand_dims（data[i : i + hps.seq_size] axis=1）.tolist（））  
        train_y.append（data[i + 1 : i + hps.seq_size + 1].tolist（））  
    #测试数据准备    
    test_data_len = len（data）//3
    test_x test_y = [] []  
    for i in range（train_data_len
                   train_data_len+test_data_len - hps.seq_size - 1）:  
        test_x.append（np.expand_dims（data[i : i + hps.seq_size] axis=1）.tolist（））  
        test_y.append（data[i + 1 : i + hps.seq_size + 1].tolist（））  
     
    with tf.Graph（）.as_default（） tf.Session（） as sess:  
        with tf.variable_scope（‘model‘reuse=None）:
            m_train = TS_LSTM（hps）
#        with tf.variable_scope（‘model‘reuse=True）:    #建立的测试模型没有什么用！
#            m_test = TS_LSTM（Falseconfig）           
                        
        #训练
        tf.global_variables_initializer（）.run（）
        for step in range（20000）:  
            _ train_cost = sess.run（[m_train.train_op m_train.cost] 
                              feed_dict={m_train.X: train_x m_train.Y: train_y}）  
                
        #预测 
        test_cost output = sess.run（[m_train.cost m_train.output]
                  feed_dict={m_tra