LSTM进行时间序列预测——训练，验证，测试

最新推荐文章于 2024-12-29 08:00:00 发布
最新推荐文章于 2024-12-29 08:00:00 发布
阅读量1.7w 收藏 132
点赞数 14
分类专栏： 笔记 文章标签： lstm 深度学习
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/m0_58327216/article/details/127820677
版权
博主分享了自己初次尝试时间序列预测的经历，使用LSTM模型进行训练，并对数据进行了小波分析降噪。通过划分训练集、验证集和测试集，最终得出初步预测结果。尽管模型表现不佳，但博主认为这是进步的开始。文章强调了验证集的重要性，并展示了代码实现，包括数据处理、模型构建、预测与评估。

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

最近一直在忙这个时间序列数据的预测，起初一直搞不清测试集和验证集的作用，最近看了很多资料，稍微有了点理解，基于自己的理解和网上的代码，刚刚基于我的需求跑出了想要的结果，虽然数值上误差还很大，不过老师说预测数据的好坏是比较出来的，所以我现在能跑出个结果还是很大的进步~接下来我就把我的代码放在下面记载一下自己的学习过程。

首先，准备数据集。这个数据集是我从某个电商插件上收集到的，原数据数据波动其实挺大的，最后用小波分析对数据进行了简单的降噪。

（后来导师说这个方法不能同时处理整个数据集，这样会导致原始数据改变，预测结果也会改变，这样的话整个预测就没有意义了。这就好比是数据归一化处理之后，没有反归一化，那么这样预测的数据是没有意义的。因为我只是想记录下整个预测过程，对数据的要求不大。所以我的这个实验直接用小波分析后的数据）

数据如下

链接：https://pan.baidu.com/s/1FY2YWZt-LuMQ3tbgNTC-GQ 
提取码：zxt1

由于我找的这份代码是单步预测，意思是一次只预测一个未来值，所以我在整个数据下面增加了一个预测数据——2022/10/1,其对应的销量我设置成0，这个不写的话会报错，而且这个0本来就是未知的，我们最终会预测出来2022/10/1对应的预测值

 下面是相关代码——代码是基于Jupyter notebook来编写的。

1、导入相关库

最低0.47元/天 解锁文章
LSTM时序预测-Long Short-Term Memory Time Series Prediction
落魄君子Blog
03-16 954
LSTM时序预测（Long Short-Term Memory Time Series Prediction）是一种基于**长短期记忆网络（Long Short-Term Memory, LSTM）**的时间序列预测方法。LSTM是一种特殊类型的循环神经网络（Recurrent Neural Network, RNN），专门设计用于解决传统RNN在处理长序列数据时的梯度消失和梯度爆炸问题。
深度学习使用LSTM实现时间序列预测
csdn1561168266的博客
11-24 3362
导入PyTorch及其相关模块，使用PyTorch构建LSTM模型，创建一个继承自的类，并在其中定义LSTM层和其他必要的层。在模型类的构造函数中初始化LSTM层和其他层，定义模型如何根据输入数据进行前向传播。return out# 定义超参数input_size = 3 # 特征数：温度、湿度、风速。
用LSTM进行时间序列预测（单步，多步，单变量，多变量）
Dove_1234的博客
03-03 1万+
LSTM因其具有记忆的功能，可以利用很长的序列信息来建立学习模型，所以用它来进行时间序列的预测会很有优势。 在实际工程中用LSTM进行时间序列的预测主要有两个难点：一是前期对数据的处理，二是初始模型的搭建。
时间序列预测（十）——长短期记忆网络（LSTM）
qq_47885795的博客
10-22 4942
长短期记忆网络（LSTM, Long Short-Term Memory）是一种专门设计用来解决时间序列数据的循环神经网络（RNN）。LSTM的主要优势是能够，适用于处理长期记忆（长期依赖）的问题，同时在训练过程中避免了传统RNN常见的问题。在时间序列预测中，LSTM网络非常适合处理具有长期相关性的输入数据，例如气温变化、股票价格、驾驶员行为数据等。LSTM可以通过记忆单元和门控机制来决定哪些信息需要“记住”，哪些需要“遗忘”。
最强总结，LSTM 时间序列预测！！
强化学习曾小健
11-18 4061
原创 小白Python和机器学习初学者2024年11月18日 11:16北京表示在时间步 的输入数据（如某时刻的温度、股价等）。表示时间步 的隐藏状态，也可以看作是 LSTM 的输出，用来传递到下一时间步。表示 LSTM 在时间步 的记忆内容。，表示在时间步 遗忘多少之前的记忆。，决定当前的输入有多少需要存储到记忆单元中。，决定当前的隐藏状态和记忆单元有多少内容输出。（遗忘门）、（输入门）、（输出门）、（候选记忆）这些矩阵作用于当前输入 和上一个隐藏状态。
使用LSTM进行时间序列预测
12-14
用 LSTM 做时间序列预测的一个小例子，详情见我滴博文。
LSTM时间序列预测
qq_34229228的博客
09-15 5608
文章目录tensorflow张量的形状 tensorflow张量的形状 tensorflow中张量(tensor)的属性——维数(阶)、形状和数据类型 在形状的中括号中有多少个数字，就代表这个张量是多少维的张量。 形状的第一个元素要看张量最外边的中括号中有几个元素(被最外边的中括号里边的内中括号括起来的所有数据算作一个元素)被逗号隔开，有n1个则这个张量就是n1维的，形状的第一个元素就是n1; 形状的第二个元素要看张量中最左边的第二个中括号中有几个被逗号隔开的元素，有n2个则shape的第二个元素就是n2;
使用LSTM模型进行时序数据预测
qq_42035021的博客
08-13 1万+
准确理解样本的含义对于接下来的工作非常重要！样本就是一组数据，它包括两部分内容：特征数据和标签数据。标签数据很简单，就是你的预测目标，而特征数据则是用来计算标签数据的数据。举个例子：假设我想要用当前时刻的温度和气压去预测风速，那么温度和气压组成的数据就是特征数据，风速则是标签数据，特征数据和标签数据又组成一个样本。如果我有100个时刻的温度、气压、风速数据，那么就能形成100个样本，这便是样本集。如果只有单站点数据，那么样本数量把往往和时间长度有关；
时间序列预测算法---LSTM
u012121721的博客
12-29 3747
文章目录一、前言1.1、深度学习时间序列一般是几维数据？每个维度的名字是什么？通常代表什么含义？1.2、为什么机器学习/深度学习算法无法处理时间序列数据?1.3、RNN(循环神经网络)处理时间序列数据的思路？1.4、RNN存在哪些问题?二、LSTM的基本架构2.1 记忆细胞2.2 遗忘门2.3 输入门2.4 输出门三、应用案例3.1 TensorFlow版3.2 PyTorch版3.2.1 LSTM的输入参数3.2.2 LSTM的三个输出3.2.3 LSTM进行时间序列预测的基本流程3.2.4 案例四、拓展
LSTM的记忆能力实验
m0_70026215的博客
12-27 1805
长短期记忆网络（Long Short-Term Memory Network，LSTM）是一种可以有效缓解长程依赖问题的循环神经网络．LSTM 的特点是引入了一个新的内部状态（Internal State）
ARIMA-LSTM时间序列预测（Python完整源码和数据）
05-05
ARIMA-LSTM时间序列预测（Python完整源码和数据） ARIMA-LSTM时间序列预测,AQI预测（Python完整源码和数据） 组合模型预测
LSTM-时间序列预测.zip
04-04
# 代码功能: LS-TM 循环神经网络，预测时间序列---------------------------- # 第1步: 处理原始数据集, 归一化，制作X_train、Y_train、X_test、Y_test # 第2步: 训练LS-TM网络, epoch=300 # 第3步: 时间序列预测
LSTM训练过程[英文版]
11-21
LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。
贝叶斯优化卷积神经网络-双向长短期记忆网络（BO-CNN-BiLSTM）时间序列预测模型-经充分验证的高效时间序列预测方案,1.Matlab实现贝叶斯优化CNN-BiLSTM时间序列预测，BO-CN
最新发布
01-30
贝叶斯优化卷积神经网络-双向长短期记忆网络（BO-CNN-BiLSTM）时间序列预测模型——经充分验证的高效时间序列预测方案,1.Matlab实现贝叶斯优化CNN-BiLSTM时间序列预测，BO-CNN-BiLSTM Bayes-CNN-BiLSTM； 所有程序...
LSTM时间序列预测模型——LAI预测
huo980703的博客
05-11 1169
时间序列数据是以一定有规律的时间间隔，从而在每个时间段产生一系列相应数据。时间序列的相应问题（这里主要将时序问题预测）是根据前n时刻的数据，从此预测后面时刻的数据。
使用keras里面的lstm进行时间序列预测_时间序列预测方法总结
weixin_39764212的博客
10-22 1879
这本来是我回答的一个问题：有什么好的模型可以做高精度的时间序列预测呢？ - BINGO Hong的回答 - 知乎 https://www.zhihu.com/question/21229371/answer/533770345但觉得在那个答案下一直更新好麻烦，干脆就移到自己主页文章好了。以后会在这里更新，原答案不更新了。时间序列基本规则法-周期因子法提取时间序列的周期性特征进行预测，参考：时间序列...
LSTM实现时间序列预测(PyTorch版)
热门推荐
CSDN 精品推荐
01-09 1万+
为了训练数据，首先定义LSTM模型，然后再定义对应的损失函数，由于我们这里是风速预测，显然是个回归问题，所以采用回归问题常用的MESLoss()，如果可以的话，可以自定义损失函数，针对自己的项目需求定义对应的损失函数。对于优化器来讲，使用的也是目前常用的Adam优化器，对于新手来讲也可以多多尝试其它的优化器，比如SGDRMSprop等，对于优化器的选择，可以参考这篇文章Pytorch 30种优化器总结。
LSTM 时间序列预测
qq_16236875的博客
06-24 417
1 LSTM客流量预测：https://zhuanlan.zhihu.com/p/94757947
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