lstm时间序列预测python_python ltsm预测-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_66625287/article/details/147373281

LSTM（长短期记忆网络，Long Short-Term Memory）是一种特殊的循环神经网络（RNN），广泛用于时间序列预测任务。它能够捕捉时间序列中的长期依赖关系，因此在处理如股票价格、天气数据、传感器数据等时间序列问题时非常有效。

以下是一个使用Python和TensorFlow/Keras实现LSTM进行时间序列预测的完整示例：

---

### 示例代码：使用LSTM进行时间序列预测

```python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
from tensorflow.keras.optimizers import Adam

# 1. 数据准备
# 生成一个简单的正弦波作为时间序列数据
def generate_data(seq_length=50, num_samples=1000):
x = np.linspace(0, 100, num_samples)
y = np.sin(x) # 使用正弦波作为时间序列数据
return y

data = generate_data()

# 2. 数据归一化
scaler = MinMaxScaler(feature_range=(0, 1))
data_scaled = scaler.fit_transform(data.reshape(-1, 1))

# 3. 创建训练数据集
def create_dataset(data, time_step=10):
X, y = [], []
for i in range(len(data) - time_step - 1):
X.append(data[i:(i + time_step), 0])
y.append(data[i + time_step, 0])
return np.array(X), np.array(y)

time_step = 10 # 每个输入序列的长度
X, y = create_dataset(data_scaled, time_step)

# 调整输入形状为 [samples, time_steps, features]
X = X.reshape(X.shape[0], X.shape[1], 1)

# 4. 构建LSTM模型
model = Sequential([
LSTM(50, return_sequences=True, input_shape=(time_step, 1)),
LSTM(50, return_sequences=False),
Dense(25),
Dense(1) # 输出层，预测下一个时间点的值
])

# 编译模型
model.compile(optimizer=Adam(learning_rate=0.001), loss='mean_squared_error')

# 5. 训练模型
history = model.fit(X, y, epochs=20, batch_size=64, validation_split=0.1)

# 6. 预测
train_predict = model.predict(X)
train_predict = scaler.inverse_transform(train_predict) # 反归一化
y_actual = scaler.inverse_transform(y.reshape(-1, 1)) # 反归一化实际值

# 7. 可视化结果
plt.figure(figsize=(10, 6))
plt.plot(y_actual, label="Actual Data")
plt.plot(train_predict, label="Predicted Data")
plt.legend()
plt.title("LSTM Time Series Prediction")
plt.show()
```

---

### 代码说明

1. **数据生成**：
- 我们生成了一个简单的正弦波作为时间序列数据。你可以替换为你自己的真实数据集，例如股票价格或传感器数据。

2. **数据归一化**：
- 时间序列数据通常需要归一化到 `[0, 1]` 或 `[-1, 1]` 的范围，以提高模型的训练效果。

3. **创建训练数据集**：
- 将时间序列数据转换为适合LSTM输入的格式。每个输入样本是一个固定长度的时间窗口（`time_step`），目标是预测该窗口之后的下一个值。

4. **构建LSTM模型**：
- 使用两层LSTM层捕获时间序列中的长期依赖关系。
- 最后通过全连接层输出预测值。

5. **训练与预测**：
- 使用训练数据拟合模型，并对训练集进行预测。
- 对预测结果进行反归一化，以便与原始数据进行比较。

6. **可视化**：
- 绘制实际值与预测值的对比图，直观评估模型性能。

---

### 注意事项

1. **超参数调整**：
- `time_step`（时间步长）、`batch_size`、`epochs` 和 LSTM 层的单元数可以根据具体问题进行调整。

2. **真实数据的应用**：
- 如果你使用真实数据（如股票价格），可以将数据加载为 Pandas DataFrame，并按上述方法预处理。

3. **多变量时间序列**：
- 如果你的数据包含多个特征（例如温度、湿度等），需要调整输入数据的维度，使其形状为 `[samples, time_steps, features]`。