lstm时间序列预测python

要使用Python进行LSTM时间序列预测，你可以使用Keras库。以下是一个简单的示例：

1. 首先，安装Keras库：

       

pip install keras

   

1. 然后，创建一个Python脚本并导入所需的库：

       

import numpy as np

from keras.models import Sequential

from keras.layers import Dense, LSTM

from sklearn.preprocessing import MinMaxScaler

import matplotlib.pyplot as plt

   

1. 准备数据。这里我们使用一个简单的正弦波作为示例：

       

# 生成正弦波数据

def generate_data(n_samples):

    x = np.linspace(0, 10 * np.pi, n_samples)

    y = np.sin(x)

    return x, y

n_samples = 1000

x, y = generate_data(n_samples)

   

1. 对数据进行归一化处理：

       

scaler = MinMaxScaler(feature_range=(0, 1))

y = scaler.fit_transform(y.reshape(-1, 1))

   

1. 将数据转换为适合LSTM的格式：

       

def create_dataset(X, y, time_steps=1):

    Xs, ys = [], []

    for i in range(len(X) - time_steps):

        v = X[i:(i + time_steps)].flatten()

        Xs.append(v)

        ys.append(y[i + time_steps])

    return np.array(Xs), np.array(ys)

time_steps = 10

Xs, ys = create_dataset(x, y, time_steps)

   

1. 创建并训练LSTM模型：

       

model = Sequential()

model.add(LSTM(50, activation='relu', input_shape=(time_steps, 1)))

model.add(Dense(1))

model.compile(optimizer='adam', loss='mse')

model.fit(Xs, ys, epochs=200, verbose=0)

   

1. 使用训练好的模型进行预测：

       

x_input = np.array([x[-time_steps:]]).reshape((1, time_steps, 1))

yhat = model.predict(x_input, verbose=0)

yhat = scaler.inverse_transform(yhat)

   

1. 绘制结果：

       

plt.plot(x, y, label='原始数据')

plt.plot(x[-time_steps:], yhat, label='预测数据')

plt.legend()

plt.show()

   

这个示例展示了如何使用Keras库创建一个简单的LSTM模型来进行时间序列预测。你可以根据自己的需求修改数据生成部分和模型参数。