### 使用Keras训练时间序列模型预测节假日 #### 数据准备 为了有效利用Keras进行时间序列预测，特别是针对节假日识别的任务，数据预处理至关重要。这通常涉及收集历史日期及其对应的活动水平或销售量等指标作为目标变量。对于每个观测值，还需要考虑加入额外的时间特征，如星期几、月份、季度等辅助信息。 ```python import pandas as pd from sklearn.preprocessing import StandardScaler # 假设df是一个包含'activity_level'(活动等级), 'date'(日期)列的数据框 df['date'] = pd.to_datetime(df['date']) df.set_index('date', inplace=True) # 添加更多时间特性 df['day_of_week'] = df.index.dayofweek df['month'] = df.index.month df['year'] = df.index.year # 对数值型特征标准化 scaler = StandardScaler() scaled_features = scaler.fit_transform(df[['activity_level']]) df_scaled = pd.DataFrame(scaled_features, index=df.index, columns=['activity_level']) X = df_scaled.dropna().values.reshape(-1, 1, df_scaled.shape[1]) y = (df.index.isin(holiday_dates)).astype(int).shift(-1).dropna() # holiday_dates 是已知假期列表 ``` #### 构建LSTM网络架构 基于上述准备工作，下面定义了一个简单的长短期记忆(LSTM)神经网络用于二分类任务——判断给定天数是否为假日： ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, LSTM, Dropout model = Sequential([ LSTM(50, activation='relu', input_shape=(X.shape[1], X.shape[2])), Dropout(0.2), Dense(1, activation='sigmoid') ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) history = model.fit(X[:-test_size], y[:-test_size], epochs=epochs, batch_size=batch_size, validation_split=0.2) ``` 此处采用`Dropout`层防止过拟合，并选择了适合于二元分类问题的损失函数和优化器设置[^2]。 #### 结果可视化 完成训练过程之后，可以通过绘制混淆矩阵以及ROC曲线等方式直观展示模型的表现情况；同时也可以画出实际值与预测概率之间的关系图以便更好地理解模型决策边界。 ```python import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc, confusion_matrix, ConfusionMatrixDisplay preds = model.predict(X[-test_size:]) fpr, tpr, _ = roc_curve(y[-test_size:], preds) roc_auc = auc(fpr, tpr) plt.figure(figsize=(8,6)) plt.plot([0, 1], [0, 1], linestyle='--') plt.plot(fpr, tpr, label=f'AUC={roc_auc:.2f}') plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver Operating Characteristic Curve') plt.legend(loc="lower right") plt.show() cm = confusion_matrix((preds>0.5).astype(int), y[-test_size:]) disp = ConfusionMatrixDisplay(confusion_matrix=cm) disp.plot(cmap=plt.cm.Blues) plt.show() ``` 以上展示了如何构建一个基本框架来进行时间序列中的节假日检测工作流，包括但不限于数据清洗、特征工程、建立深度学习模型直至最终的结果解释阶段。