lstm原理+timesteps理解+实操+时间序列多变量

最新推荐文章于 2025-03-28 17:57:59 发布
最新推荐文章于 2025-03-28 17:57:59 发布
阅读量2w 收藏 103
点赞数 15
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/henielh/article/details/106956131
版权
本文介绍了LSTM的工作原理，重点解释了时间步长（timesteps）的理解，包括如何将多变量时间序列数据转化为适合LSTM模型的格式。实操部分展示了LSTM模型的构建，强调了在处理多变量和多步预测时的注意事项。此外，还讨论了LSTM的变种，如GRU，并引用了相关研究比较不同RNN结构的性能，指出在特定情况下GRU可能因为参数少而训练更快，但LSTM在数据充足时可能表现更优。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

原理

李宏毅老师讲RNN LSTM 视频
很好地讲述了lstm的原理。
在这里插入图片描述

timesteps理解

lstm的样本：样本数，时间步长，特征数量，在时间序列中如何转化？
对于多变量时间序列的预测，最后一段解释了。
y~y-1 y-2 y-3 x-1 x-2 x-3
假定样本数600，一个因变量，6个自变量（yx的滞后项）
那么，可以这样写：
（600，1，6）：timesteps为1，不进行记忆的传递，特征数为6.
（600，6，1）：timesteps为6，只有一个特征，但是记忆传递6次
（600，3，2）：2个特征，滞后3次：注意在r转化矩阵时，要检验得到的矩阵是否准确
这取决于我们的自变量特征上下文是否有联系。
在这里插入图片描述

最低0.47元/天 解锁文章
jiekclek
关注
Keras搭建lstm+dnn多变量时间序列预测降水量预测 完整代码数据视频讲解
07-05 1458
Keras搭建lstm+dnn多变量时间序列预测降水量预测 完整代码数据视频讲解
时间序列预测 — LSTM实现多变量多步负荷预测(Tensorflow)：多输入多输出
几度春风里的博客
01-06 2668
整体的思路也就是取出预测前48*7行数据预测未来的6行数据，然后见6行数据添加进历史数据，再预测6行数据，滚动预测。（注意多变量预测多变量预测的是多列，预测单变量只有一列）通过前7天的48*7行数据预测后1天的数据48个，需要对数据集进行滚动划分（也就是前48*7行的数据和后6行的数据训练，后面预测时就可通过48*7行数据测未来的6行标签，然后将6行预测值添加到历史数据中，历史数据变为48*7+6个，再取出后48*7行数据进行预测，得到6行预测值，滚动进行预测直到预测完成，注意此时的预测值是行而不是个）
LSTM中timesteps的理解
07-04
这个文档有一个比较直观的关于时间步的理解，对于初学RNN网络的人来说，其中有些概念比较难懂，希望这个能帮助大家。
lstm 的timestep_如何理解LSTM中的time step？
weixin_28837357的博客
01-27 3063
更正下答案：训练和测试的数据必须长度一致，因为rnn里weights的shape是和timestep的长度对应的(旧答案请忽略)rnn分类器里使用的训练和测试确实都是一个长度。如果不一致可以用0填充。如果用tf自己封装rnn的话，可以灵活的处理，但是输入的时候一般还是会用pad标记(一般是0)填充。有个特殊例子是出现在seq2seq上的，因为两种语言的句子长度变化比较大，所以用了分组的方式去重排数...
通俗理解LSTM
最新发布
tinstone的博客
03-28 2526
介绍LSTM主要组成及公式解析
使用LSTM深度学习模型进行温度的时间序列单步和多步预测
deephub
12-05 1万+
本文的目的是提供代码示例，并解释使用python和TensorFlow建模时间序列数据的思路。 本文展示了如何进行多步预测并在模型中使用多个特征。 本文的简单版本是，使用过去48小时的数据和对未来1小时的预测(一步)，我获得了温度误差的平均绝对误差0.48(中值0.34)度。 利用过去168小时的数据并提前24小时进行预测，平均绝对误差为摄氏温度1.69度(中值1.27)。 所使用的特征是过去每小时的温度数据、每日及每年的循环信号、气压及风速。 使用来自https://openweathermap.org/
LSTM中对time step的理解
程序员阿浪
07-09 3250
以下内容摘抄自stack overflow： 一句话理解：自循环单元的循环次数 引用Chris Olah’s blog开始说起: In a recurrent neural network you have multiple repetitions of the same cell. The way inference goes is - you take some input (x0), pass it through the cell to get some output1(depicted wit
LSTM：timestep，batchsize
clam的博客
11-14 4050
NLP 一个句子：一个sample 一个句子由n个词：n个timestep 一个词是k维的词向量：k个feature 时间序列 时间序列是一个n行m列的excel表 n行：共有n个观察记录，每个时间点一次（6点、7点、8点....各观察一次） m列：每一条观察记录，由m个观察项目（6点：风速，湿度，温度，光照....) m列：m个feature n行：n个timestep 所有的timestep：一个sequence；利用滑动窗口，可将一个sequenc分成多个sub_sequenc.
简单粗暴LSTM：LSTM进行时间序列预测
热门推荐
小EZ的博客
12-14 16万+
使用LSTM进行时间序列预测 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界...
DeepLearning之LSTM模型输入参数：time_step, input_size, batch_size的理解
weixin_42101836的博客
02-19 2万+
1. LSTM模型 输入参数理解 （Long Short-Term Memory） lstm是RNN模型的一种变种模式，增加了输入门，遗忘门，输出门。 LSTM也是在时间序列预测中的常用模型。 小白我也是从这个模型入门来开始机器学习的坑。 LSTM的基本概念与各个门的解释已经有博文写的非常详细：推荐博文:【译】理解LSTM（通俗易懂版） 这篇文章写的非常详细，生动，概念解释的非常清楚。我也是从这个...
时间序列预测 — LSTM实现多变量多步负荷预测(Tensorflow)：直接多输出
几度春风里的博客
11-27 2597
实验数据集采用数据集6：澳大利亚电力负荷与价格预测数据（下载链接），包括数据集包括日期、小时、干球温度、露点温度、湿球温度、湿度、电价、电力负荷特征，时间间隔30min。单独查看部分负荷数据，发现有较强的规律性。
基于LSTM神经网络的时间序列预测（LSTM单变量、Multi-Step LSTM预测、长短周期记忆网络等方法）涵盖新手进阶。
06-19
包含多种实际案例 使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。 包含洗发水销量预测、空气质量预测等实际案例。 LSTM单变量、Multi-Step LSTM预测、长短周期记忆网络等方法 Keras中长短期记忆模型的5步操作 Keras中长短期记忆模型的5步操作代码分析 one-hotenoder与Keras one-hotenoder与scikit学习 手动one-hotenoder
时间序列预测 — CNN-LSTM实现多变量多步光伏预测(Tensorflow)
几度春风里的博客
12-12 3476
最后一层是 LSTM 层， 这一层是根据 CNN 处理后的特征数据，对其模型进行进一步的维度修偏， 权重修正等工作， 为下一步输出精度较高的预测值做好准备， 在 LSTM 训练的过程中， 由于其神经网络内部包括了输入、 遗忘和输出门， 通常的做法是通过增减遗忘门和输入门的个数， 来控制算法的精度。构造训练数据，也是真正预测未来的关键。​​数据处理前，需要对数据进行归一化，按照上面的方法划分数据，这里返回划分的数据和归一化模型，因为是多变量，特征和标签分开归一化，不然后面归一化会有信息泄露的问题。
lstm 的timestep_如何理解lstm的输入输出
weixin_26938645的博客
02-26 3216
例如这样一个数据集合，总共100条句子，每个句子20个词，每个词都由一个80维的向量表示。在lstm中，单个样本即单条句子输入下(shape是 [1 , 20, 80])，假如设定每一个time step的输入是一个词(当然这不一定，你也可以调成两个词或者更多个数的词)，则在t0时刻是第一个时间步，输入x0则为代表一条句子(一个样本)中第1个词的80维向量，t1是第二个时间步，x1表示该句子中第2...
LSTM分析里，输入数据的time_steps和model的lstm_batch_size的概念
ouyangbiwu的博客
08-19 519
在LSTM模型中，**序列长度**或**时间步**（`time steps`）是指输入数据的一个样本中包含多少个时间点的数据。- 如果你设定 `time_steps = 90`，那么你会将数据重新格式化为 `(number_of_samples, 90, 5)` 的形状，其中 `number_of_samples` 是 `(1000 - 90 + 1)`。它与 `time_steps` 是不同的概念。1. **LSTM序列长度** 和 **训练/预测数据的时间步** 是用来定义每个样本中的时间点数量的。
使用LSTM进行时间序列预测
sybh的博客
04-15 1671
LSTM（Long Short-Term Memory）是一种特殊的循环神经网络（RNN），它可以捕捉时间序列中的长期依赖关系，并在时间序列预测任务中取得良好的效果。本文将介绍如何使用 LSTM 模型进行时间序列预测。我们将使用一个气温数据集作为示例数据集，该数据集包含了日均气温的时间序列数据，数据集共有 365 条数据，每条数据对应一年中的一天。我们的任务是根据前一天的气温数据预测当天的气温数据。# 指定模型的超参数接下来，我们定义一个 LSTM 模型，并编译模型：# 定义 LSTM 模型。
使用LSTM进行多变量时间序列预测
YOLOv3333的博客
09-14 807
数据归一化是将变量的值缩放到一个固定的范围，以避免不同变量之间的尺度差异对模型训练的影响。我们将添加一个或多个LSTM层以及一些其他类型的层，如全连接层（Dense层），以构建一个完整的模型。我们首先对数据进行预处理，然后使用Keras构建LSTM模型，并使用训练数据对模型进行训练。在本文中，我们将介绍如何使用LSTM模型实现多变量时间序列预测，并提供相应的源代码。在上面的代码中，我们首先创建了一个Sequential模型，然后添加了一个LSTM层，其中128是LSTM单元的数量。是我们要预测的变量数量。
基于pytorch的多变量单步LSTM时间序列预测
qq_51465769的博客
03-08 2251
东西丢一个文件夹，运行主程序就行，不过光伏输出功率每日的变化较大，误差也不小。至于data.csv上传了，设定的0积分下载，不知道大家能不能免费下载。
时间序列预测模型之LSTM CNN+LSTM 单步 多步 输入输出 详细代码教程
03-28 2267
时间序列预测模型之LSTM CNN+LSTM 单步 多步 输入输出 详细代码教程
lstm+cnn时间序列预测python
01-21
### 使用LSTM和CNN进行时间序列预测的Python实现 为了利用LSTM和CNN的优势来处理时间序列预测问题，可以构建一个混合模型，在此过程中先使用CNN层提取局部特征，再由LSTM层捕捉长时间跨度上的模式变化。以下是基于Keras框架的一个简单实例说明。 #### 构建CNN-LSTM模型架构 ```python from keras.models import Sequential from keras.layers import Conv1D, MaxPooling1D, Flatten, LSTM, Dense model = Sequential() # 添加一维卷积层用于特征抽取 model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(n_timesteps, n_features))) model.add(MaxPooling1D(pool_size=2)) model.add(Flatten()) # 将扁平化后的输出重新塑形以便送入LSTM层 reshape_dim = (new_timesteps, new_features) # 需要根据实际情况调整这两个参数 model.add(Reshape(target_shape=reshape_dim)) # 增加LSTM层以捕获时间依赖性 model.add(LSTM(units=50, activation='relu')) # 输出层定义 model.add(Dense(1)) # 编译模型并指定优化器与损失函数 model.compile(optimizer='adam', loss='mse') ``` 上述代码片段展示了如何创建一个融合了CNN和LSTM特性的神经网络结构[^1]。这里`Conv1D`负责初步的数据预处理工作，即从原始输入中挖掘有用的空间特性；而后续加入的`MaxPooling1D`则有助于减少维度复杂度的同时保留重要信息。接着通过`Flatten()`操作转换成适合传递给下一层的形式，并最终经过适当重塑后进入核心部分——LSTM单元来进行更深层次的学习过程[^2]。 #### 准备训练数据集 对于任何机器学习项目而言，准备高质量的数据都是至关重要的一步。当涉及到时间序列分析时，则需特别注意保持样本间顺序不变以及合理划分训练集与测试集的比例等问题。具体做法可能包括但不限于： - 对于每条记录都应按照时间先后排列； - 可能还需要考虑标准化或归一化数值范围内的差异； - 创建滑动窗口形式的小批量批次作为输入X及其对应的标签Y。 #### 训练模型 一旦完成了前期准备工作之后就可以调用`.fit()`方法启动实际训练流程了: ```python history = model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size, validation_data=(X_test,y_test), verbose=verbose) ``` 此处`X_train`, `y_train`分别代表训练阶段使用的自变量矩阵和因变量向量；同样地，`X_test`,`y_test`则是用来评估性能表现的一组独立观测值集合[^4]。
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值