基于Keras的LSTM多变量时间序列预测

LSTM是一种时间递归神经网络，它出现的原因是为了解决RNN的一个致命的缺陷。原生的RNN会遇到一个很大的问题，叫做The vanishing gradient problem for RNNs，也就是后面时间的节点会出现老年痴呆症，也就是忘事儿，这使得RNN在很长一段时间内都没有受到关注，网络只要一深就没法训练。后来有些大牛们开始使用递归神经网络来对时间关系进行建模。而根据深度学习三大牛的阐述，LSTM网络已被证明比传统的RNNS更加有效。

适合多输入变量的神经网络模型一直让开发人员很头痛，但基于（LSTM）的循环神经网络能够几乎可以完美的解决多个输入变量的问题。

基于（LSTM）的循环神经网络可以很好的利用在时间序列预测上，因为很多古典的线性方法难以适应多变量或多输入预测问题。

在本教程中，你会看到如何在Keras深度学习库中开发多变量时间序列预测的LSTM模型。

读完本教程后，你将学会：

     ·         如何将原始数据集转换为可用于时间序列预测的数据集。

     ·         如何准备数据并创建适应多变量时间序列预测问题的LSTM。

     ·         如何做出预测并将结果重新调整到原始单位。 

本教程分为3部分：

      1.空气污染预报。

      2.基本数据准备。

      3.多变量LSTM预测模型。

  Python环境

本教程假设你已安装Python SciPy环境，你可以在本教程中使用Python 2或3。你必须使用TensorFlow或Theano后端安装Keras（2.0或更高版本）。本教程还 假设你已经安装了scikit-learn，Pandas，NumPy和Matplotlib。如果你需要帮助你的环境，请参阅这篇文章：

如何为Anaconda设置机器学习和深度学习的Python环境

 空气污染预报

在这个小例子中，我们将使用空气质量数据集。这是一个数据集，在美国驻北京大使馆五年内报告天气和污染水平。数据类型包括日期时间、称为PM2.5浓度的污染物、以及天气信息、包括露点（露点温度）、温度、压力、风向、风速和累积的降雪小时数。原始数据中的完整功能列表如下：

      1.NO：行号。

      2.year：年。

      3.month：月。

      4.day：日。