用 LSTM 做时间序列预测的一个小例子

最新推荐文章于 2025-03-10 18:22:42 发布

Alice熹爱学习

最新推荐文章于 2025-03-10 18:22:42 发布

阅读量10w+

点赞数 53

分类专栏： DeepLearning 文章标签：预测数据

本文链接：https://blog.csdn.net/aliceyangxi1987/article/details/73420583

版权

本文通过一个航班乘客数预测的例子，演示如何利用LSTM进行时间序列预测。数据经过处理，转换为LSTM所需的格式，模型设置为1个输入、4个隐藏层神经元、sigmoid激活函数，训练后得出RMSE为22.92（训练集）和47.53（测试集）。讨论了模型改进方向，如调整隐藏层神经元数量、层数及time steps，并提及RNN在时间序列预测中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

问题：航班乘客预测
数据：1949 到 1960 一共 12 年，每年 12 个月的数据，一共 144 个数据，单位是 1000
下载地址
目标：预测国际航班未来 1 个月的乘客数

import numpy
import matplotlib.pyplot as plt
from pandas import read_csv
import math
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
%matplotlib inline

导入数据：

# load the dataset
dataframe = read_csv('international-airline-passengers.csv', usecols=[1], engine='python', skipfooter=3)
dataset = dataframe.values
# 将整型变为float
dataset = dataset.astype('float