时间序列预测 | Python实现LSTM多变量时间序列数据预测

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