文中预测使用一种称为长短时记忆(LSTM)网络的循环神经网络(RNN)算法。
LSTM网络是一种特定设计用于处理序列数据的RNN,例如时间序列数据。它们能够通过选择性地记忆或遗忘来自先前时间步的信息,学习数据中的长期依赖关系。
在代码中,LSTM网络用于基于历史数据预测未来商品及股票价格。该模型在一系列60个数据点上进行训练,然后用于预测下一个数据点。该过程针对整个测试集重复进行,以生成一系列预测值。
预测结果如图所示,均方根误差(RMSE)我感觉预测值与均线类似,后附python代码,有兴趣朋友可以研究一下
代码如下
import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, Dropout, LSTM
# 加载商品价格数据
df = pd.read_csv('商品甲醇价格.csv') #这行代码的作用是从csv文件中加载商品价格数据。
# 删除日期列
df = df.drop(['Date'], 1) #这行代码的作用是从数据中删除日期