LSTM预测时间序列

最新推荐文章于 2025-07-12 16:35:50 发布

原创

最新推荐文章于 2025-07-12 16:35:50 发布 · 1.2w 阅读

35 ·

CC 4.0 BY-SA版权

本文介绍了LSTM网络作为RNN的改进版，用于解决长期依赖问题。通过‘门’机制，LSTM可以选择性地记住或遗忘历史信息。文章提供了一个使用Keras实现的LSTM时间序列预测模型的实例，包括数据生成、预处理、模型搭建、训练和预测过程，展示其在序列变化规律学习和预测上的能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

LSTM网络（长短期记忆网络）可以理解为是RNN的改进版，它的出现解决了RNN的记忆问题。也就是说RNN网络的某一时刻对距离此刻最近的时刻的状态最为敏感，而对距离此刻稍远时刻的状态不太敏感，这就导致了RNN某一时刻的输出受上一时刻影响最大（虽然不少情况确实如此），但实际情况并不是永远这样，例如一篇首尾呼应的文章，最后一段的内容显然极度依赖第一段的内容，而和文章中间部分的关系不大。
LSTM的出现，就是为了解决上述问题。通过在网络中增加精心设计的“门”来决定记住或者忘记之前时刻的内容，准确的说是决定要记住或者忘记之前时刻内容的程度(“门”的输出值为0-1，0表示“一点也不”，1表示“完全”，之间表示“部分”)。这样LSTM对于前面的问题，在预测最后一段内容时，就可以选择让第一段完全通过，而让中间部分完全不通过。
既然lstm这么厉害，接下来就介绍一下lstm的应用实例（keras实现），接下来也会贴出lstm的tensorflow实现：

lstm实现

模型介绍
实例的主要目的就是学习序列的变化规律，来预测下一时刻的序列值。

代码讲解

数据生成

import pandas as pd  
from random import random

flow = (list(range(1,10,1)) + list(range(10,1,-1)))*100
pdata = pd.DataFrame({
  
  "a":flow, "b":flow})  
pdata.b = pdata.b.shift(9)  
data = pdata.iloc[10:] * random()