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。
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。
** 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.
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)