lstm多变量输入回归预测模型_基于Keras的LSTM多变量时间序列预测

摘要：还在为设计多输入变量的神经网络模型发愁？来看看大神如何解决基于Keras的LSTM多变量时间序列预测问题！文末附源码！

LSTM是一种时间递归神经网络，它出现的原因是为了解决RNN的一个致命的缺陷。原生的RNN会遇到一个很大的问题，叫做The vanishing gradient problem for RNNs，也就是后面时间的节点会出现老年痴呆症，也就是忘事儿，这使得RNN在很长一段时间内都没有受到关注，网络只要一深就没法训练。后来有些大牛们开始使用递归神经网络来对时间关系进行建模。而根据深度学习三大牛的阐述，LSTM网络已被证明比传统的RNNS更加有效。

适合多输入变量的神经网络模型一直让开发人员很头痛，但基于(LSTM)的循环神经网络能够几乎可以完美的解决多个输入变量的问题。

基于(LSTM)的循环神经网络可以很好的利用在时间序列预测上，因为很多古典的线性方法难以适应多变量或多输入预测问题。

在本教程中，你会看到如何在Keras深度学习库中开发多变量时间序列预测的LSTM模型。

读完本教程后，你将学会：如何将原始数据集转换为可用于时间序列预测的数据集。

如何准备数据并创建适应多变量时间序列预测问题的LSTM。

如何做出预测并将结果重新调整到原始单位。

本教程分为3部分：1.空气污染预报。

2.基本数据准备。

3.多变量LSTM预测模型。

Python环境

本教程假设你已安装Python SciPy环境，你可以在本教程中使用Python 2或3。你必须使用TensorFlow或Theano后端安装Keras(2.0或更高版本)。本教程还 假设你已经安装了scikit-learn，Pandas，Num