基于lstm的时间序列预测,基于cnn的时间序列预测模型

　　1 keras 1.1入门资源：

　　33559 www.bilibili.com/video/b v1 CT 411 H7 RM？from=search seid=13437359564386162135

　　Keras是

深度学习框架

　　Tensorflow、pytorch、keras和keras是目前深度学习框架中最常用的，速度大约是tensorflow的两倍。

　　3558 www.Sina.com/:安装python环境后，安装张量流(有CPU和GPU版本，为简单起见，可以安装CPU版本)，然后在命令行

　　1.2简单线性回归模型按importkerasimpyasnimportmatplotlib . pyplosplt # sequential from keras . modelsimportsequential # Dense full connection layers from keras . layers导入Dense#，使用numpy随机函数生成x _ data=NP . rand . rand(100)noise=NP . random . normal)0x _ data . shape(y _ data)

　　# sequence model=sequential(# add all connection layer(Dense)model . add)参数到模型(Dense) units=1，Input_dim=1)))输入输出的意义y) #编译模型#sgd:随机梯度下降法#mse:均方误差model.pile (optimizer= SGD ，loss=mse ))为了输出训练模型，一批cost=model。需要循环迭代的forstepinrange的train _ on _ batch (x _ data，y_data)列出成本值if step P0==0:print)batch 360 b=model。图层[0]。Get _ weights(打印(w:

　　1.3非线性回归增量隐藏层是设置激活函数，如果激活函数没有设置，默认是线性激活函数。

　　2 3358www.Sina.com/如何被LSTM改成LSTM的3358www。Sina.com/?

　　(仅考虑一维数据)

　　LSTM时间序列预测可以实现单步预测和多步预测

安装

时间序列数据

　　将时间序列数据转换为LSTM的训练数据函数如下。

　　输入时间序列数据，输入大小步长预测输出大小步长

　　Ef _ split(数据，输入大小，输出大小):X，Y=[]，[]Y . append(arr[I input _ size 3360 I input _ t]

　　x，y=data_split(dat，3，3)n具有2* 25数据的数组

　　x，y为40* 3的ndarray数组

输入输出数据

　　n:训练数据的长度

　　t:以上模型为三输入三输出模型，t为3。

　　M:1(一维，所以数据特征的维数为()))))))))))))。

　　因此，需要对输入数据进行处理

　　在x=NP . shape(x，)x.shape[0]，3，1)) x，y之后，模型构造如下。

　　n _ in=x.shape [1] n _ features=。shape[2]n _ out=y . shape[1]model=create _ model(n _ in，n_feer)

　　defcreate_model(n_in，n_features，n _ out):model=Sequential)(model . add)lstm)128，activation=

　　error _ matrix=[]for steprange(1001):#)训练1000次cost=model.train_on_batch(x，y) error _ step，)cost:)，Cost)y _ train _ pred=model . predict(x)train _ error=NP . mean(ABS(y _ train _ pred)% )PLT . plot(error _ matrix)PLT . xlabel)、训练次数)、plt.ylabel)和

　　LSTM模型的预测结果如图所示。

　　(本图只使用了前22个数据训练模型，模型为3-3。)

　　附录3子功能的构建

　　DEF _ MODEL _ RNN (N _ OUT):模型1=顺序)模型1。添加(SIMPLENN) 128)(模型1)。添加活动DD) activation)) relu))激活层模型1。编译)优化器=)更新