【时间序列篇】基于LSTM的序列分类-Pytorch实现 part1 案例复现

系列文章目录

【时间序列篇】基于LSTM的序列分类-Pytorch实现 part1 案例复现
【时间序列篇】基于LSTM的序列分类-Pytorch实现 part2 自有数据集构建
【时间序列篇】基于LSTM的序列分类-Pytorch实现 part3 化为己用

本篇文章是对已有一篇文章的整理归纳，并对文章中提及的模型用Pytorch实现。

前言

序列，可以是采样得到的信号样本，也可以是传感器数据。

对于序列分类任务，常用的思路有两种：
1、原理统计相关，分解序列的相关性质研究规律（人工设计特征，再分类）
2、数据挖掘思路，机器学习做特征工程，模型拟合（自动学习特征，再分类）

• 人工设计特征方法：
  基于序列距离：计算距离进行分类（类别模板or聚类）
  基于统计特征：时序特征提取 （均值，方差，差分）再分类

• 自动学习特征方法：
  深度学习端到端（RNN, LSTM）

本文通过LSTM来实现对序列信号的分类。

主要思想和代码框架来自参考文献[1]

一、任务问题和数据集

1 任务问题

人体运动估计：
传感器生成高频数据，对不同状态下采集的数据进行分类，可以识别其范围内对象的移动。通过设置多个传感器并对信号进行采样分析，可以识别物体的运动方向。

“ 室内用户运动预测 ”问题：
在该任务中，多个运动传感器被放置在不同房间中，目标基于运动传感器捕获的数据来识别个体是否已经移动穿过房间。

两个房间有四个运动传感器（A1，A2，A3，A4）。
下图说明了传感器在每个房间中的位置。

一个人可以沿着上图中所示的六个预定义路径中的任何一个移动。每个路径都生成一个 RSS 测量的轨迹样本，从轨迹的开始一直到标记点，在图中表示为 M。标记 M 对于所有运动都是相同的，因此不能仅仅根据在 M 处收集的 RSS 值来区分不同的路径。
该图还显示了所考虑的用户轨迹类型的简化说明，直线路径导致于空间变化，曲线路径导致空间不变。有在房间内移动和在房间之间移动两种类别。

2 数据集

数据集最重要的有316个csv文件：

• 【dataset 文件夹】
  314 个MovementAAL csv文件，是序列样本，每个文件都包含与输入 RSS 数据的一个序列数据(每个文件记录一个用户轨迹)。该数据集包含314个序列数据(样本csv文件)。
  1个 MovementAAL_target.csv 文件，是每个MovementAAL文件对应的标签（类别）。每一个样本对应的类别，表明用户的轨迹是否会导致空间变化(例如房间的变化)。特别地，标签为+1与位置变化相关联，而标签为 -1与位置保留相关联。
• 【groups 文件夹】
  MovementAAL_DatasetGroup.csv文件，用于划分数据集

3 数据集读取并展示

import pandas as pd
# ----------------------------------------------------#
#   路径指定，文件读取
# ----------------------------------------------------#
df1 = pd.read_csv("DATA/RSS_Position_dataset/dataset/MovementAAL_RSS_1.csv")
df2 = pd.read_csv("DATA/RSS_Position_dataset/dataset/MovementAAL_RSS_2.csv")

df1.head()  # 返回一个新的DataFrame或Series对象，默认返回前5行。
df1.shape  # 返回文件的size，不同文件的len（行数）不同

二、模型实现

import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch
import torch.nn as nn
import torch.optim as optim

1 数据导入

'''
/****************************************************/
    导入数据集
/****************************************************/
'''
# ----------------------------------------------------#
#   数据集样本
# ----------------------------------------------------#
path = "DATA/RSS_Position_dataset/dataset/MovementAAL_RSS_"
sequences = list()
for i in range(1, 315):  # 315为样本数
    file_path = path + str(i) + '.csv'
    df = pd.read_csv(file_path, header=0)
    values = df.values
    sequences.append(values)

# ----------------------------------------------------#
#   数据集标签
# ----------------------------------------------------#
targets = pd.read_csv('DATA/RSS_Position_dataset/dataset/MovementAAL_target.csv')
targets = targets.values[:, 1]

# ----------------------------------------------------#
#   数据集划分
# ----------------------------------------------------#
groups = pd.read_csv('DATA/RSS_Position_dataset/groups/MovementAAL_DatasetGroup.csv', header=0)
groups = groups