c语言实现lstm神经网络模型,6 种用 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。

今天我们根据问题的输入输出模式划分，来看一下几种时间序列问题所对应的 LSTM 模型结构如何实现。

1. Univariate

Univariate 是指：

input 为多个时间步，

output 为一个时间的问题。

数例：

训练集：

X, y

10, 20, 30 40

20, 30, 40 50

30, 40, 50 60

…

预测输入：

X，

70, 80, 90

模型的 Keras 代码：

# define model【Vanilla LSTM】

model = Sequential()

model.add( LSTM(50, activation='relu', input_shape = (n_steps, n_features)) )

model.add( Dense(1) )

model.compile(optimizer='adam', loss='mse')

n_steps = 3

n_features = 1

其中：

n_steps 为输入的 X 每次考虑几个时间步

n_features 为每个时间步的序列数

这个是最基本的模型结构，我们后面几种模型会和这个进行比较。

2. Multiple Input

Multiple Input 是指：

input 为多个序列，

output 为一个序列的问题。

数例：

训练集：

X， y

[[10 15]

[20 25]

[30 35]] 65

[[20 25]

[30 35]

[40 45]] 85

[[30 35]

[40 45]

[50 55]] 105

[[40 45]

[50 55]

[60 65]] 125

…

预测输入：