时间序列预测 | Python实现LSTM多变量时间序列数据预测
基本介绍
时间序列分析(Time-Series Analysis)是指将原来的销售分解为四部分来看——趋势、周期、时期和不稳定因素,然后综合这些因素,提出销售预测。强调的是通过对一个区域进行一定时间段内的连续遥感观测,提取图像有关特征,并分析其变化过程与发展规模。当然,首先需要根据检测对象的时相变化特点来确定遥感监测的周期,从而选择合适的遥感数据。
时间序列分析:时间序列表示基于时间顺序的一系列数据。它可以是秒、分钟、小时、天、周、月、年。未来的数据将取决于它以前的值。
在现实世界的案例中,我们主要有两种类型的时间序列分析:单变量时间序列、多元时间序列,对于单变量时间序列数据,我们将使用单列进行预测。单变量时间序列只有一列,因此即将到来的未来值将仅取决于它之前的值。但是在多元时间序列数据的情况下,将有不同类型的特征值并且目标数据将依赖于这些特征。
- 在执行多元时间序列分析时必须记住一件事,我们需要使用多个特征预测当前的目标。
- 在训练时,如果我们使用 5 列 [feature1, feature2, feature3, feature4, target] 来训练模型,我们需要