6 种用 LSTM 做时间序列预测的模型结构 - Keras 实现

LSTM(Long Short Term Memory Network)长短时记忆网络，是一种改进之后的循环神经网络，可以解决 RNN 无法处理长距离的依赖的问题，在时间序列预测问题上面也有广泛的应用。

今天我们根据问题的输入输出模式划分，来看一下几种时间序列问题所对应的 LSTM 模型结构如何实现。

---

1. Univariate

Univariate 是指：

input 为多个时间步，
output 为一个时间的问题。

数例：

训练集：
X,			y
10, 20, 30		40
20, 30, 40		50
30, 40, 50		60
…


预测输入：
X，
70, 80, 90

模型的 Keras 代码：

# define model【Vanilla LSTM】

model = Sequential()
model.add( LSTM(50,  activation='relu',  input_shape = (n_steps, n_features)) )
model.add( Dense(1) )
model.compile(optimizer='adam', loss='mse')

n_steps = 3
n_features = 1

其中：

n_steps 为输入的 X 每次考虑几个时间步
n_features 为每个时间步的序列数

这个是最基本的模型结构，我们后面几种模型会和这个进行比较。

---

2. Multiple Input

Multiple Input 是指：

input 为多个序列，
output 为一个序列的问题。

数例：

训练集：
X，       y
[[10 15]
 [20 25]
 [30 35]] 65
[[20 25]
 [30 35]
 [40 45]] 85
[[30 35]
 [40 45]
 [50 55]] 105
[[40 45]
 [50 55]
 [60 65]] 125
…


预测输入：
X，
80,	 85
90,	 95
100,