Kesci：Tensorflow 实现 LSTM——时间序列预测

LSTM
https://www.kesci.com/home/project/5a38a9c00e1fc52691fd9c72
这篇文章将讲解如何使用lstm进行时间序列方面的预测，重点讲lstm的应用，原理部分可参考以下两篇文章：

Understanding LSTM Networks LSTM学习笔记

编程环境：python3.7，tensorflow 1.14

本文所用的数据集来自于kesci平台，由云脑机器学习实战训练营提供：真实业界数据的时间序列预测挑战

本项目的目标是建立内部与外部特征结合的多时序协同预测系统。数据集采用来自业界多组相关时间序列（约40组）与外部特征时间序列（约5组）。课题通过进行数据探索，特征工程，传统时序模型探索，机器学习模型探索，深度学习模型探索（RNN，LSTM等），算法结合，结果分析等步骤来学习时序预测问题的分析方法与实战流程。

#https://www.kesci.com/home/project/5a38a9c00e1fc52691fd9c72
##LSTM

# 加载数据分析常用库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from sklearn import preprocessing
from tensorflow.contrib import rnn

path = './industrydata/industry_timeseries/timeseries_train_data/'
feature=['YEAR','MONTH','DAY','TEMP_HIG','TEMP_COL','AVG_TEMP','AVG_WET','DATA_COL']
df1 = pd.read_csv(path + '1.csv', names= feature)
scale = preprocessing.StandardScaler()
df1[['TEMP_HIG','TEMP_COL','AVG_TEMP','AVG_WET','DATA_COL']] = scale.fit_transform(df1[['TEMP_HIG','TEMP_COL','AVG_TEMP','AVG_WET','DATA_COL']])
df1_train = df1.iloc[:2 * int(df1.shape[0]/3)]
df1_test = df1.iloc[2 *