Keras 实现 LSTM时间序列预测

本文将介绍如何用 keras 深度学习的框架搭建 LSTM 模型对时间序列做预测。

1 项目简单介绍

1.1 背景介绍

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。

1.2 数据集说明

** 训练数据有8列：**

- 日期 - 年: int - 日期 - 月: int - 日期 - 日: int， 时间跨度为2015年2月1日 - 2016年8月31日 - 当日最高气温 - 摄氏度（下同）: float - 当日最低气温: float - 当日平均气温: float - 当日平均湿度: float - 输出 - float 预测数据没有输出部分，其他与预测一样。时间跨度为2016年9月1日 - 2016年11月30日 训练与预测都各自包含46组数据，每组数据代表不同数据源，组之间的温度与湿度信息一样而输出不同.

2 导入库并读取查看数据

3 数据预处理

3.1 时间序列数据转化为监督问题数据

3.2 数据集划分及规整

4 建立模型并训练

5 模型预测并可视化

蓝色曲线为真实输出

绿色曲线为训练数据的预测输出

黄色曲线为验证数据集的预测输出

红色曲线为测试数据的预测输出(能看出来模型预测效果还是比较好的)