【LSTM】基于5个工作市场日，使用循环神经网络（长短期记忆）预测第二天的价格（Python代码实现）

 ‍个人主页：研学社的博客  

欢迎来到本博客❤️❤️

博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

本文目录如下：

目录

1 概述

2 运行结果

3 参考文献

4 Python代码实现

---

1 概述

本文基于5个工作市场日，使用循环神经网络（长短期记忆）预测第二天的价格，然后用Python代码实现之。

2 运行结果

 

train_index = round(len(df)*0.1)
train = df[:-train_index]
test = df[-train_index:]
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(0,1))
train = scaler.fit_transform(train.reshape(-1,1))
test = scaler.transform(test.reshape(-1,1))

 Epoch 1/15
1176/1176 [==============================] - 4s 4ms/step - loss: 0.0079 - val_loss: 0.0012
Epoch 2/15
1176/1176 [==============================] - 5s 4ms/step - loss: 0.0011 - val_loss: 0.0043
Epoch 3/15
1176/1176 [==============================] - 4s 4ms/step - loss: 9.7493e-04 - val_loss: 7.1246e-04
Epoch 4/15
1176/1176 [==============================] - 5s 4ms/step - loss: 8.6890e-04 - val_loss: 4.8759e-04
Epoch 5/15
1176/1176 [==============================] - 5s 4ms/step - loss: 8.1263e-04 - val_loss: 4.9513e-04
Epoch 6/15
1176/1176 [==============================] - 4s 4ms/step - loss: 6.7742e-04 - val_loss: 4.1102e-04
Epoch 7/15
1176/1176 [==============================] - 5s 5ms/step - loss: 6.1346e-04 - val_loss: 5.4533e-04
Epoch 8/15
1176/1176 [==============================] - 6s 5ms/step - loss: 5.3698e-04 - val_loss: 4.8133e-04
Epoch 9/15
1176/1176 [==============================] - 5s 4ms/step - loss: 4.8843e-04 - val_loss: 4.6157e-04

3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]李高平,邱治邦,苗加庆,王静,任小洁,程日鑫.基于LSTM的空气质量预测模型[J].西南民族大学学报(自然科学版),2023,49(01):67-73.

4 Python代码实现