python 神经网络预测未来30天数据_Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力消耗数据...

原文链接：Python中利用长短期记忆模型LSTM进行时间序列预测分析 – 预测电力消耗数据​tecdat.cn

此示例中，神经网络用于使用2011年4月至2013年2月期间的数据预测都柏林市议会公民办公室的能源消耗。

每日数据是通过总计每天提供的15分钟间隔的消耗量来创建的。

LSTM简介

LSTM(或长期短期存储器网络)允许分析具有长期依赖性的顺序或有序数据。当涉及到这项任务时，传统的神经网络不足，在这方面，LSTM将用于预测这种情况下的电力消耗模式。

与ARIMA等模型相比，LSTM的一个特殊优势是数据不一定需要是固定的(常数均值，方差和自相关)，以便LSTM对其进行分析 - 即使这样做可能会导致性能提升。

自相关图，Dickey-Fuller测试和对数变换

为了确定我们的模型中是否存在平稳性：生成自相关和部分自相关图

进行Dickey-Fuller测试

对时间序列进行对数变换，并再次运行上述两个过程，以确定平稳性的变化(如果有的话)

首先，这是时间序列图：

​

​

据观察，波动性(或消费从一天到下一天的变化)非常高。在这方面，对数变换可以用于尝试稍微平滑该数据。在此之前，生成ACF和PACF图，并进行Dickey-Fuller测试。

自相关图

​