用 LSTM 做时间序列预测的模型结构 - Keras 实现

最新推荐文章于 2024-07-01 10:27:59 发布

smallwhite620451

最新推荐文章于 2024-07-01 10:27:59 发布

阅读量765

点赞数

分类专栏： LSTM

本文链接：https://blog.csdn.net/smallwhite620451/article/details/106669021

版权

本文介绍了如何利用LSTM（长短时记忆网络）进行时间序列预测，特别是针对包含多个并行序列的问题。通过Keras代码示例展示了模型结构，其中模型返回整个序列的预测，而非单一值。

摘要由CSDN通过智能技术生成

LSTM(Long Short Term Memory Network)长短时记忆网络，是一种改进之后的循环神经网络，可以解决 RNN 无法处理长距离的依赖的问题，在时间序列预测问题上面也有广泛的应用。

Multiple Parallel：

input 为多个序列， output 也是多个序列的问题。

训练集：
X,          y
[[10 15 25]
 [20 25 45]
 [30 35 65]] [40 45 85]
[[20 25 45]
 [30 35 65]
 [40 45 85]] [ 50  55 105]
[[ 30  35  65]
 [ 40  45  85]
 [ 50  55 105]] [ 60  65 125]
[[ 40  45  85]
 [ 50  55 105]
 [ 60  65 125]] [ 70  75 145]
…
 
 
预测输入：
X，
70, 75, 145
80, 85, 165
90, 95, 185

模型的 Keras 代码：

# define model【Vanilla LSTM】
model = Sequential()
model.add(LSTM(100, activation='relu', return_sequences=True, input_shape=(n_steps, n_features)))
model.add(Dense(n_features))
model.compile(optimizer='adam', loss

最低0.47元/天解锁文章

smallwhite620451

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
用 LSTM 做时间序列预测的模型结构 - Keras 实现

LSTM(Long Short Term Memory Network)长短时记忆网络，是一种改进之后的循环神经网络，可以解决 RNN 无法处理长距离的依赖的问题，在时间序列预测问题上面也有广泛的应用。Multiple Parallel：input 为多个序列， output 也是多个序列的问题。训练集：X, y[[10 15 25] [20 25 45] [30 35 65]] [40 45 85][[20 25 45] [30 35 65] [4...
复制链接

扫一扫

专栏目录